微信爬取过程中参数分析

一：找到永久的历史信息列表：http://mp.weixin.qq.com/mp/getmasssendmsg?__biz=XXX==#wechat_redirect

将XXX==替换为自己的BIZ

二：4个参数可以唯一确定一篇微信文章：

__biz可以认为是微信公众平台对外公布的公众帐号的唯一id
mid是图文消息id
idx是发布的第几条消息(1就代表是头条位置消息)
sn是一个随机加密串(对于一篇图文消息是唯一的，如果你想问这个sn的生成规则是什么或者怎么破解，你基本上只能从微信公众平台开发团队才能得到答案)熬伪装


三：伪装微信客户端登陆，取历史信息页时，最重要4个参数：__biz;uin=;key=;pass_ticket=;这4个参数。【有时候需要手机配合】


四：取得general_msg_list 后，分析各个字段

"list": [ //最外层的键名；只出现一次，所有内容都被它包含。    {//这个大阔号之内是一条多图文或单图文消息，通俗的说就是一天的群发都在这里        "app_msg_ext_info":{//图文消息的扩展信息            "content_url": "图文消息的链接地址",            "cover": "封面图片",            "digest": "摘要",            "is_multi": "是否多图文，值为1和0",            "multi_app_msg_item_list": [//这里面包含的是从第二条开始的图文消息，如果is_multi=0，这里将为空                {                    "content_url": "图文消息的链接地址",                    "cover": "封面图片",                    "digest": ""摘要"",                    "source_url": "阅读原文的地址",                    "title": "子内容标题"                },                ...//循环被省略            ],            "source_url": "阅读原文的地址",            "title": "头条标题"        },        "comm_msg_info":{//图文消息的基本信息            "datetime": '发布时间，值为unix时间戳',            "type": 49 //类型为49的时候是图文消息        }    },    ...//循环被省略]

五：采集程序原型

建立表：
 

1、微信公众号表

CREATE TABLE `weixin` (  `id` int(11) NOT NULL AUTO_INCREMENT,  `biz` varchar(255) DEFAULT '' COMMENT '公众号唯一标识biz',  `collect` int(11) DEFAULT '1' COMMENT '记录采集时间的时间戳',  PRIMARY KEY (`id`)) ;

2、微信文章表

CREATE TABLE `post` (  `id` int(11) NOT NULL AUTO_INCREMENT,  `biz` varchar(255) CHARACTER SET utf8 NOT NULL COMMENT '文章对应的公众号biz',  `field_id` int(11) NOT NULL COMMENT '微信定义的一个id，每条文章唯一',  `title` varchar(255) NOT NULL DEFAULT '' COMMENT '文章标题',  `title_encode` text CHARACTER SET utf8 NOT NULL COMMENT '文章编码，防止文章出现emoji',  `digest` varchar(500) NOT NULL DEFAULT '' COMMENT '文章摘要',  `content_url` varchar(500) CHARACTER SET utf8 NOT NULL COMMENT '文章地址',  `source_url` varchar(500) CHARACTER SET utf8 NOT NULL COMMENT '阅读原文地址',  `cover` varchar(500) CHARACTER SET utf8 NOT NULL COMMENT '封面图片',  `is_multi` int(11) NOT NULL COMMENT '是否多图文',  `is_top` int(11) NOT NULL COMMENT '是否头条',  `datetime` int(11) NOT NULL COMMENT '文章时间戳',  `readNum` int(11) NOT NULL DEFAULT '1' COMMENT '文章阅读量',  `likeNum` int(11) NOT NULL DEFAULT '0' COMMENT '文章点赞量',  PRIMARY KEY (`id`)) ;

3、采集队列表

CREATE TABLE `tmplist` (  `id` int(11) unsigned NOT NULL AUTO_INCREMENT,  `content_url` varchar(255) DEFAULT NULL COMMENT '文章地址',  `load` int(11) DEFAULT '0' COMMENT '读取中标记',  PRIMARY KEY (`id`),  UNIQUE KEY `content_url` (`content_url`)) ;

采集：
1、getMsgJson.php：这个程序负责接收历史消息的json并解析后存入数据库

<?$str = $_POST['str'];$url = $_POST['url'];//先获取到两个POST变量//先针对url参数进行操作parse_str(parse_url(htmlspecialchars_decode(urldecode($url)),PHP_URL_QUERY ),$query);//解析url地址$biz = $query['__biz'];//得到公众号的biz//接下来进行以下操作//从数据库中查询biz是否已经存在，如果不存在则插入，这代表着我们新添加了一个采集目标公众号。//再解析str变量$json = json_decode($str,true);//首先进行json_decodeif(!$json){    $json = json_decode(htmlspecialchars_decode($str),true);//如果不成功，就增加一步htmlspecialchars_decode}foreach($json['list'] as $k=>$v){            $type = $v['comm_msg_info']['type'];            if($type==49){//type=49代表是图文消息                $content_url = str_replace("\\", "", htmlspecialchars_decode($v['app_msg_ext_info']['content_url']));//获得图文消息的链接地址                $is_multi = $v['app_msg_ext_info']['is_multi'];//是否是多图文消息                $datetime = $v['comm_msg_info']['datetime'];//图文消息发送时间                //在这里将图文消息链接地址插入到采集队列库中（队列库将在后文介绍，主要目的是建立一个批量采集队列，另一个程序将根据队列安排下一个采集的公众号或者文章内容）                //在这里根据$content_url从数据库中判断一下是否重复                if('数据库中不存在相同的$content_url') {                    $fileid = $v['app_msg_ext_info']['fileid'];//一个微信给的id                    $title = $v['app_msg_ext_info']['title'];//文章标题                    $title_encode = urlencode(str_replace(" ", "", $title));//建议将标题进行编码，这样就可以存储emoji特殊符号了                    $digest = $v['app_msg_ext_info']['digest'];//文章摘要                    $source_url = str_replace("\\", "", htmlspecialchars_decode($v['app_msg_ext_info']['source_url']));//阅读原文的链接                    $cover = str_replace("\\", "", htmlspecialchars_decode($v['app_msg_ext_info']['cover']));//封面图片                    $is_top = 1;//标记一下是头条内容                    //现在存入数据库                    echo "头条标题：".$title.$lastId."\n";//这个echo可以显示在anyproxy的终端里                }                if($is_multi==1){//如果是多图文消息                    foreach($v['app_msg_ext_info']['multi_app_msg_item_list'] as $kk=>$vv){//循环后面的图文消息                        $content_url = str_replace("\\","",htmlspecialchars_decode($vv['content_url']));//图文消息链接地址                        //这里再次根据$content_url判断一下数据库中是否重复以免出错                        if('数据库中不存在相同的$content_url'){                            //在这里将图文消息链接地址插入到采集队列库中（队列库将在后文介绍，主要目的是建立一个批量采集队列，另一个程序将根据队列安排下一个采集的公众号或者文章内容）                            $title = $vv['title'];//文章标题                            $fileid = $vv['fileid'];//一个微信给的id                            $title_encode = urlencode(str_replace(" ","",$title));//建议将标题进行编码，这样就可以存储emoji特殊符号了                            $digest = htmlspecialchars($vv['digest']);//文章摘要                            $source_url = str_replace("\\","",htmlspecialchars_decode($vv['source_url']));//阅读原文的链接                            //$cover = getCover(str_replace("\\","",htmlspecialchars_decode($vv['cover'])));                            $cover = str_replace("\\","",htmlspecialchars_decode($vv['cover']));//封面图片                            //现在存入数据库                            echo "标题：".$title.$lastId."\n";                        }                    }                }            }        }?>

2、getMsgExt.php获取文章阅读量和点赞量的程序

?$str = $_POST['str'];$url = $_POST['url'];//先获取到两个POST变量//先针对url参数进行操作parse_str(parse_url(htmlspecialchars_decode(urldecode($url)),PHP_URL_QUERY ),$query);//解析url地址$biz = $query['__biz'];//得到公众号的biz$sn = $query['sn'];//再解析str变量$json = json_decode($str,true);//进行json_decode//$sql = "select * from `文章表` where `biz`='".$biz."' and `content_url` like '%".$sn."%'" limit 0,1;//根据biz和sn找到对应的文章$read_num = $json['appmsgstat']['read_num'];//阅读量$like_num = $json['appmsgstat']['like_num'];//点赞量//在这里同样根据sn在采集队列表中删除对应的文章，代表这篇文章可以移出采集队列了//$sql = "delete from `队列表` where `content_url` like '%".$sn."%'"             //然后将阅读量和点赞量更新到文章表中。exit(json_encode($msg));//可以显示在anyproxy的终端里?>