Python：使用 MitmProxy 自动抓取微信公众号阅读数、点赞和再看数据

﹏ヽ暗。殇╰゛Y 2023-02-25 08:36 4阅读 0赞

## 前言 ##

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：某某白米饭

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

[python免费学习资料以及群交流解答点击即可加入][python]

--------------------

某天接到一个需要抓取某某微信公众的所有历史文章的阅读数、点赞和再看数据的需求。

为了解放双手，就用 Python 代码撸一个，选择 MitmProxy 代理作为抓包工具，因为它可以使用 Python 代码监听抓取到的 url，用于自动获取 cookie 等场景。

## 什么是 MitmProxy ##

mitmproxy 是一个支持 HTTP 和 HTTPS 的抓包程序，有类似 Fiddler 的功能。

mitmproxy 还有两个关联组件。一个是 mitmdumvp，它是 mitmproxyv 的命令行接口，可以利用 Python 代码监听请求。另一个是 mitmweb，它是一个 Web 程序，可以观察 mitmproxy 抓取的请求。

## 安装和设置 ##

使用 pip 安装

pip install mitmproxy

安装好之后，将手机端的代理 IP 设置为和 PC 的 IP 地址一样，和代理端口设置为：8080，用下面命令启动

mitmweb

将看到浏览器打开了一个 `http://127.0.0.1:8081/#/flows` 网页，这个就是 MitmProxy 的 web 控制台  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70]  
在手机端浏览器输入 `mitm.im` 获取 PC 证书 和手机端的证书，都安装一下  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70 1]  
注意：android 手机在安装证书时需要在\[从存储设备安装\]界面安装

## 阅读数、再看、点赞抓取 ##

当安装好证书和设置好手机端 IP　代理后，随便点击一篇微信公众号文章（这里使用本公众）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70 2]  
从图上可以看到，阅读、再看、点赞的　url　为 `https://mp .weixin. qq. com/mp/getappmsgext`（提示：如果没有这个链接，可以右上角刷新文章），再看下它的　request　请求需要哪些东西  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70 3]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70 4]  
只需要一个文章 url、user-agent、cookie 和 body　这四个基本的数据，别看下面　body　里面有二三十个数据其实都是吓唬人的，只需要其中7个，分别是 \_\_biz， mid， idx，sn 这四个参数是获取公众号文章内容的基石，可以在文章 url 处获得。其他三个参数的数据是固定的分别是 is\_only\_read = 1，is\_temp\_url = 0，appmsg\_type = 9。getappmsgext 请求中的 appmsg\_token 是一个有时效性的参数。

分析完链接后就可以写代码了

import html
    import requests
    import utils
    
    from urllib.parse import urlsplit
    
    class Articles(object):
        """文章信息"""
    
        def __init__(self， appmsg_token， cookie):
            # 具有时效性
            self.appmsg_token = appmsg_token
            
            self.headers = { 
                "User-Agent": "Mozilla/5.0 AppleWebKit/537.36 (KHTML， like Gecko) Version/4.0Chrome/57.0.2987.132 MQQBrowser/6.2 Mobile"，
                "Cookie": cookie
            }
            
            self.data = { 
                "is_only_read": "1"，
                "is_temp_url": "0"，
                "appmsg_type": "9"，
            }
    
    
        def read_like_nums(self， article_url):
            """获取数据"""
            appmsgstat = self.get_appmsgext(article_url)["appmsgstat"]
            return appmsgstat["read_num"]， appmsgstat["old_like_num"]， appmsgstat["like_num"]
    
        def get_params(self， article_url):
            """ 获取到文章url上的请求参数 :param article_url: 文章 url :return: """
            # url转义处理
            article_url = html.unescape(article_url)
            """获取文章链接的参数"""
            url_params = utils.str_to_dict(urlsplit(article_url).query， "&"， "=")
            return url_params
    
        def get_appmsgext(self， article_url):
            """ 请求阅读数 :param article_url: 文章 url :return: """
            url_params = self.get_params(article_url)
    
            appmsgext_url = "https://mp. weixin.qq.com/mp/getappmsgext?appmsg_token={}&x5=0".format(self.appmsg_token)
            self.data.update(url_params)
    
            appmsgext_json = requests.post(
                appmsgext_url， headers=self.headers， data=self.data).json()
    
            if "appmsgstat" not in appmsgext_json.keys():
                raise Exception(appmsgext_json)
            return appmsgext_json
    
    
    if __name__ == '__main__':
        info = Articles('1068_XQoMoGGBYG8Tf8k23jfdBr2H_LNekAAlDDUe2aG13TN2fer8xOSMyrLV6s-yWESt8qg5I2fJr1r9n5Y5'， 'rewardsn=; wxtokenkey=777; wxuin=1681274216; devicetype=android-29; version=27001037; lang=zh_CN; pass_ticket=H9Osk2CMhrlH34mQ3w2PLv/RAVoiDxweAdyGh/Woa1qwGy2jGATJ6hhg7syTQ9nk; wap_sid2=COjq2KEGEnBPTHRVOHlYV2U4dnRqaWZqRXBqaWl3Xy1saXVWYllIVjAzdlM1VkNDNHgxeWpHOG9pckdkREMwTFEwYmNWMl9FZWtRU3pRRnhDS0pyV1BaZUVMWXN1ZWN0WnZ6aHFXdVBnbVhTY21BYnBSUXNCQUFBMLLAjfgFOA1AAQ==')
        a， b，c = info.read_like_nums('http://mp. weixin.qq.com/s?__biz=MzU1NDk2MzQyNg==&mid=2247486254&idx=1&sn=c3a47f4bf72b1ca85c99190597e0c190&chksm=fbdad3a3ccad5ab55f6ef1f4d5b8f97887b4a344c67f9186d5802a209693de582aac6429a91c&scene=27#wechat_redirect')
        print(a， b， c)

**示例结果**

# 阅读数 点赞数 再看数
    1561 23 18

## 动态获取 cookie 和 appmsg\_token ##

appmsg\_token 是一个具有时效性的参数，和 cookie 一样是需要改变的，当这两个参数过期时就需要从抓包工具（MitmProxy 中）ctrl+C，ctrl+V到代码中，很是麻烦。

MitmProxy 可以使用命令行接口 mitmdumvp 运行 Python 代码监听抓取的链接，如果抓到了 https://mp. weixin.qq.com/mp/getappmsgext 就保存在本地文件并退出抓包

**mitmdump 命令**

# -s 运行的python脚本, -w 将截取的内容保持到文件
    mitmdump -s write_cookie.py -w outfile mp.weixin.qq.com/mp/getappmsgext

**监听脚本**

import urllib
    import sys
    
    from mitmproxy import http
    
    # command: mitmdump -s write_cookie.py -w outfile mp.weixin.qq.com/mp/getappmsgext
    
    class WriterCookie:
        """ mitmproxy的监听脚本，写入cookie和url到文件 """
    
        def __init__(self， outfile: str) -> None:
            self.f = open(outfile， "w")
    
        def response(self， flow: http.HTTPFlow) -> None:
            """ 完整的response响应 :param flow: flow实例， """
            # 获取url
            url = urllib.parse.unquote(flow.request.url)
    
            # 将url和cookie写入文件
            if "mp. weixin.qq.com/mp/getappmsgext" in url:
                self.f.write(url + '\n')
                self.f.write(str(flow.request.cookies))
                self.f.close()
                # 退出
                exit()
    
    # 第四个命令中的参数
    addons = [WriterCookie(sys.argv[4])]

监听脚本写好之后，再来写启动命令和解析 url，cookie 文件的模块

import re
    import os
    
    class ReadCookie(object):
        """ 启动write_cookie.py 和 解析cookie文件， """
    
        def __init__(self， outfile):
            self.outfile = outfile
    
        def parse_cookie(self):
            """ 解析cookie :return: appmsg_token， biz， cookie_str· """
            f = open(self.outfile)
            lines = f.readlines()
            appmsg_token_string = re.findall("appmsg_token.+?&"， lines[0])
            biz_string = re.findall('__biz.+?&'， lines[0])
            appmsg_token = appmsg_token_string[0].split("=")[1][:-1]
            biz = biz_string[0].split("__biz=")[1][:-1]
    
            cookie_str = '; '.join(lines[1][15:-2].split(']， [')).replace('\''，'').replace('， '， '=')
            return appmsg_token， biz， cookie_str
    
        def write_cookie(self):
            """ 启动 write_cookie。py :return: """
    
            #当前文件路径
            path = os.path.split(os.path.realpath(__file__))[0]
            # mitmdump -s 执行脚本 -w 保存到文件 本命令
            command = "mitmdump -s {}/write_cookie.py -w {} mp.weixin.qq.com/mp/getappmsgext".format(
                path， self.outfile)
    
            os.system(command)
    
    
    if __name__ == '__main__':
        rc = ReadCookie('cookie.txt')
        rc.write_cookie()
        appmsg_token， biz， cookie_str = rc.parse_cookie()
        print("appmsg_token：" + appmsg_token ， "\nbiz：" + biz， "\ncookie："+cookie_str)

示例结果  
![在这里插入图片描述][20200711144717498.png]  
cookie.txt 文件内容解析后

appmsg_token：1068_av3JWyDn2XCS2fwFj3ICCnwArRb2kU4Y5Y5m9Z9NkWoCOszl3a-YHFfBkAguUlYQJi2dWo83AQT4FsNK 
    biz：MzU1NDk2MzQyNg== 
    cookie：rewardsn=; wxtokenkey=777; wxuin=1681274216; devicetype=android-29; version=27001037; lang=zh_CN; pass_ticket=H9Osk2CMhrlH34mQ3w2PLv/RAVoiDxweAdyGh/Woa1qwGy2jGATJ6hhg7syTQ9nk; wap_sid2=COjq2KEGEnBPTHRVOHlYV2U4dnRqaWZqRXBqaWktTHpUSEJnTTdhU0hVZTEtZXpZZEY4a3lNY29zc0VZeEFvLS01YmJRRnQ5eFRmR2dOY29nUWdKSTRVWG13WE1obGs1blhQcVh0V18tRnBSRnVlc1VhOHNCQUFBMPeIjfgFOA1AAQ==

ReadCookie 模块可以自动获取到 appmsg\_token 和 cookie，将它们当作参数一样传递到 Articles 模块中，就能解放双手再也不要复制黏贴 appmsg\_token 和 cookie 了，只要在 appmsg\_token 过期时刷新一下公众号文章就可以了，省心又省时

## 批量抓取 ##

在公众号历史消息界面将屏幕向上滑动，每次都可以加载 10 条历史消息，盲猜这个翻页就是批量抓取的请求链接，用 MitmProxy 的 WEBUI 界面在 Response 面板查找一下，找到一个是 https://mp. weixin.qq.com/mp/profile\_ext?action=getmsg&\_\_biz=MzU1NDk2MzQyNg==&f=json&offset=10&count=10… 的链接，它的响应返回值中有多个文章标题，再看这个链接上有 offset=10&count=10 参数，一看就是翻页偏移量和每页显示的条数，就它了  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70 5]  
在链接中比较重要的参数有：\_\_biz、offset、pass\_ticket、appmsg\_token ，这些数据都可以在 cookie 和 appmsg\_token 中得到。

# utils.py
    # 工具模块，将字符串变成字典
    def str_to_dict(s， join_symbol="\n"， split_symbol=":"):
        s_list = s.split(join_symbol)
        data = dict()
        for item in s_list:
            item = item.strip()
            if item:
                k， v = item.split(split_symbol， 1)
                data[k] = v.strip()
        return data

import os
    import requests
    import json
    import urllib3
    import utils
    
    
    class WxCrawler(object):
        """翻页内容抓取"""
        urllib3.disable_warnings()
    
        def __init__(self， appmsg_token， biz， cookie， begin_page_index = 0， end_page_index = 100):
            # 起始页数
            self.begin_page_index = begin_page_index
            # 结束页数
            self.end_page_index = end_page_index
            # 抓了多少条了
            self.num = 1
    
            self.appmsg_token = appmsg_token
            self.biz = biz
            self.headers = { 
                "User-Agent": "Mozilla/5.0 AppleWebKit/537.36 (KHTML， like Gecko) Version/4.0Chrome/57.0.2987.132 MQQBrowser/6.2 Mobile"，
                "Cookie": cookie
            }
            self.cookie = cookie
    
        def article_list(self， context):
            articles = json.loads(context).get('general_msg_list')
            return json.loads(articles)
    
        def run(self):
    
            # 翻页地址
            page_url = "https://mp. weixin.qq.com/mp/profile_ext?action=getmsg&__biz={}&f=json&offset={}&count=10&is_ok=1&scene=&uin=777&key=777&pass_ticket={}&wxtoken=&appmsg_token=" + self.appmsg_token + "&x5=0f=json"
            # 将 cookie 字典化
            wx_dict = utils.str_to_dict(self.cookie， join_symbol='; '， split_symbol='=')
            # 请求地址
            response = requests.get(page_url.format(self.biz， self.begin_page_index * 10， wx_dict['pass_ticket'])， headers=self.headers， verify=False)
            # 将文章列表字典化
            articles = self.article_list(response.text)
    
            for a in articles['list']:
                # 公众号中主条
                if 'app_msg_ext_info' in a.keys() and '' != a.get('app_msg_ext_info').get('content_url'， ''):
                    print(str(self.num) + "条"， a.get('app_msg_ext_info').get('title')， a.get('app_msg_ext_info').get('content_url'))
                # 公众号中副条
                if 'app_msg_ext_info' in a.keys():
                    for m in a.get('app_msg_ext_info').get('multi_app_msg_item_list'， []):
                        print(str(self.num) + "条"， m.get('title')， a.get('content_url'))
    
                self.num = self.num + 1
    
            self.is_exit_or_continue()
            # 递归调用
            self.run()
    
        def is_exit_or_continue(self):
            self.begin_page_index = self.begin_page_index + 1
    
            if self.begin_page_index > self.end_page_index:
                os.exit()

最后用自动化cookie启动程序后刷新公众号文章

from read_cookie import ReadCookie
    from wxCrawler import WxCrawler
    
    """程序启动类"""ss
    if __name__ == '__main__':
        cookie = ReadCookie('E:/python/cookie.txt')
    
        cookie.write_cookie()
        appmsg_token， biz， cookie_str = cookie.parse_cookie()
        wx = WxCrawler(appmsg_token， biz， cookie_str)
        wx.run()

示例结果  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70 6]

## 总结 ##

虽然本文可能有那么一点点一点点的标题党，并没有完全的自动抓取数据，还需要人为的刷新一下公众号文章。希望小伙伴们不要介意哈。

[python]: https://jq.qq.com/?_wv=1027&k=ThcV4SNF
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70]: /images/20230209/fea499de0c6845dba3e62024777d4466.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70 1]: /images/20230209/0c438413ca9549c0ac0a38fa35179607.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70 2]: /images/20230209/135d8f4a451e4ae1a29a1ee298ef2c2c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70 3]: /images/20230209/e482826b7b2e4ddc88132cc8ba84b8a2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70 4]: /images/20230209/3284789201c6486593de40f243590d2a.png
[20200711144717498.png]: https://img-blog.csdnimg.cn/20200711144717498.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20200711144738453.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20200711144811363.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA==,size_16,color_FFFFFF,t_70