本文首發於公眾號「Python知識圈」，如需轉載，請在公眾號聯繫作者授權。 前言 上一篇文章整理了的公眾號所有文章的導航鏈接，其實如果手動整理起來的話，是一件很費力的事情，因為公眾號里添加文章的時候只能一篇篇的選擇，是個單選框。 面對幾百篇的文章，這樣一個個選擇的話，是一件苦差事。 pk哥作為一個 ...
本文首發於公眾號「Python知識圈」，如需轉載，請在公眾號聯繫作者授權。
前言
上一篇文章整理了的公眾號所有文章的導航鏈接，其實如果手動整理起來的話，是一件很費力的事情，因為公眾號里添加文章的時候只能一篇篇的選擇，是個單選框。
面對幾百篇的文章，這樣一個個選擇的話，是一件苦差事。
pk哥作為一個 Pythoner，當然不能這麼低效，我們用爬蟲把文章的標題和鏈接等信息提取出來。
抓包
我們需要通過抓包提取公眾號文章的請求的 URL，參考之前寫過的一篇抓包的文章 Python爬蟲APP前的準備，pk哥這次直接抓取 PC 端微信的公眾號文章列表信息，更簡單。
我以抓包工具 Charles 為例，勾選容許抓取電腦的請求，一般是預設就勾選的。
為了過濾掉其他無關請求，我們在左下方設置下我們要抓取的功能變數名稱。
打開 PC 端微信，打開 「Python知識圈」公眾號文章列表後，Charles 就會抓取到大量的請求，找到我們需要的請求，返回的 JSON 信息里包含了文章的標題、摘要、鏈接等信息，都在 comm_msg_info 下麵。
這些都是請求鏈接後的返回，請求鏈接 url 我們可以在 Overview 中查看。
通過抓包獲取了這麼多信息後，我們可以寫爬蟲爬取所有文章的信息並保存了。
初始化函數
公眾號歷史文章列表向上滑動，載入更多文章後發現鏈接中變化的只有 offset 這個參數，我們創建一個初始化函數，加入代理 IP，請求頭和信息，請求頭包含了 User-Agent、Cookie、Referer。
這些信息都在抓包工具可以看到。
請求數據
通過抓包分析出來了請求鏈接，我們就可以用 requests 庫來請求了，用返回碼是否為 200 做一個判斷，200 的話說明返回信息正常，我們再構建一個函數 parse_data() 來解析提取我們需要的返回信息。
def request_data(self):
try:
response = requests.get(self.base_url.format(self.offset), headers=self.headers, proxies=self.proxy)
print(self.base_url.format(self.offset))
if 200 == response.status_code:
self.parse_data(response.text)
except Exception as e:
print(e)
time.sleep(2)
pass提取數據
通過分析返回的 Json 數據，我們可以看到，我們需要的數據都在 app_msg_ext_info 下麵。
我們用 json.loads 解析返回的 Json 信息，把我們需要的列保存在 csv 文件中，有標題、摘要、文章鏈接三列信息，其他信息也可以自己加。
def parse_data(self, responseData):
all_datas = json.loads(responseData)
if 0 == all_datas['ret'] and all_datas['msg_count']>0:
summy_datas = all_datas['general_msg_list']
datas = json.loads(summy_datas)['list']
a = []
for data in datas:
try:
title = data['app_msg_ext_info']['title']
title_child = data['app_msg_ext_info']['digest']
article_url = data['app_msg_ext_info']['content_url']
info = {}
info['標題'] = title
info['小標題'] = title_child
info['文章鏈接'] = article_url
a.append(info)
except Exception as e:
print(e)
continue
print('正在寫入文件')
with open('Python公眾號文章合集1.csv', 'a', newline='', encoding='utf-8') as f:
fieldnames = ['標題', '小標題', '文章鏈接'] # 控制列的順序
writer = csv.DictWriter(f, fieldnames=fieldnames)
writer.writeheader()
writer.writerows(a)
print("寫入成功")
print('----------------------------------------')
time.sleep(int(format(random.randint(2, 5))))
self.offset = self.offset+10
self.request_data()
else:
print('抓取數據完畢！')這樣，爬取的結果就會以 csv 格式保存起來。
運行代碼時，可能會遇到 SSLError 的報錯，最快的解決辦法就是 base_url 前面的 https 去掉 s 再運行。
保存markdown格式的鏈接
經常寫文章的人應該都知道，一般寫文字都會用 Markdown 的格式來寫文章，這樣的話，不管放在哪個平臺，文章的格式都不會變化。
在 Markdown 格式里，用 [文章標題](文章url鏈接) 表示，所以我們保存信息時再加一列信息就行，標題和文章鏈接都獲取了，Markdown 格式的 url 也就簡單了。
md_url = '[{}]'.format(title) + '({})'.format(article_url)爬取完成後，效果如下。
我們把 md鏈接這一列全部粘貼到 Markdown 格式的筆記里就行了，大部分的筆記軟體都知道新建 Markdown 格式的文件的。
這樣，這些導航文章鏈接整理起來就是分類的事情了。
你用 Python 解決過生活中的小問題嗎？歡迎留言討論。
