微信文章提取器 - Python 版本
使用 Python 提取微信公众号文章的标题、作者、内容、发布时间等元数据。
✅ 核心优势
相比 JavaScript 版本，Python 版本有以下优势：
- ✅ 无需 npm 依赖：只用 Python 标准库 + 常用 pip 包
- ✅ 安装快速：
pip install beautifulsoup4 requests lxml 即可完成
- ✅ 绕过验证码：使用微信 User-Agent，提高访问成功率
- ✅ 轻量级：脚本仅 10KB，无复杂依赖
- ✅ 易维护：Python 代码更易读易改
📦 依赖安装
pip install beautifulsoup4 requests lxml
或使用国内镜像加速：
pip install beautifulsoup4 requests lxml -i https://pypi.tuna.tsinghua.edu.cn/simple
🚀 使用方法
基本用法
python3 scripts/wechat_extractor.py <微信文章 URL>
示例
# 提取单篇文章
python3 scripts/wechat_extractor.py "https://mp.weixin.qq.com/s/xN1H5s66ruXY9s8aOd4Rcg"
# 在 Python 脚本中调用
from scripts.wechat_extractor import WeChatArticleExtractor
extractor = WeChatArticleExtractor()
result = extractor.extract('https://mp.weixin.qq.com/s/xxx')
if result['done']:
print('标题:', result['data']['msg_title'])
print('作者:', result['data']['msg_author'])
print('内容:', result['data']['msg_content'][:500])
📊 输出数据说明
成功响应
{
"done": true,
"code": 0,
"data": {
// 文章信息
"msg_title": "文章标题",
"msg_desc": "文章摘要",
"msg_content": "<div>HTML 内容</div>",
"msg_cover": "封面图 URL",
"msg_author": "作者",
"msg_type": "post",
"msg_publish_time_str": "2026/03/14 10:30:00",
"msg_link": "文章链接",
// URL 参数
"msg_mid": "mid 参数",
"msg_idx": "idx 参数",
"msg_sn": "sn 参数",
"msg_biz": "__biz 参数",
// 公众号信息
"account_name": "公众号名称",
"account_alias": "微信号",
"account_id": "原始 ID",
"account_description": "功能介绍",
"account_avatar": "头像 URL",
// 版权信息
"msg_has_copyright": true
}
}
错误响应
{
"done": false,
"code": 1002,
"msg": "请求超时"
}
⚠️ 错误码说明
| 错误码 | 说明 | 解决方案 |
|---|
| 1001 | 无法获取文章信息 | 检查 URL 是否正确 |
| 1002 | 请求失败/超时 | 检查网络连接，稍后重试 |
| 2006 | 需要验证码 | 微信反爬机制，稍后重试或使用已登录会话 |
| 2008 | 系统出错 | 查看错误详情，联系开发者 |
🎯 使用场景
✅ 适用场景：
- 提取微信公众号文章内容
- 获取文章元数据（标题、作者、发布时间）
- 批量采集微信文章
- 监控特定公众号更新
- 微信文章归档
❌ 不适用场景：
- 需要访问需要登录的付费文章
- 需要绕过微信验证码的批量采集
- 需要提取评论区内容
💡 最佳实践
1. 批量提取
urls = [
'https://mp.weixin.qq.com/s/xxx1',
'https://mp.weixin.qq.com/s/xxx2',
'https://mp.weixin.qq.com/s/xxx3',
]
extractor = WeChatArticleExtractor(timeout=30)
for url in urls:
result = extractor.extract(url)
if result['done']:
print(f"✅ {result['data']['msg_title']}")
else:
print(f"❌ {url}: {result['msg']}")
# 避免请求过快
import time
time.sleep(1)
2. 保存为 JSON
import json
result = extractor.extract(url)
with open('article.json', 'w', encoding='utf-8') as f:
json.dump(result, f, ensure_ascii=False, indent=2)
3. 提取纯文本内容
from bs4 import BeautifulSoup
result = extractor.extract(url)
html_content = result['data']['msg_content']
# 转为纯文本
soup = BeautifulSoup(html_content, 'lxml')
text_content = soup.get_text(separator='\n', strip=True)
print(text_content)
🔧 高级配置
自定义请求头
extractor = WeChatArticleExtractor(timeout=60)
extractor.session.headers.update({
'User-Agent': '自定义 User-Agent'
})
使用代理
extractor = WeChatArticleExtractor(timeout=30)
extractor.session.proxies.update({
'http': 'http://127.0.0.1:7890',
'https': 'http://127.0.0.1:7890'
})
📝 注意事项
-
验证码问题：微信有反爬机制，频繁访问可能触发验证码，建议：
- 控制请求频率（每秒不超过 1 次）
- 使用固定的 User-Agent
- 必要时使用已登录的 Cookie
-
内容完整性：部分文章可能包含视频、音频等多媒体内容，HTML 内容中会保留引用链接
-
发布时间：微信文章的发布时间可能无法精确提取，部分文章只能获取大致日期
-
公众号信息：公众号详细信息（微信号、原始 ID 等）需要从页面 JavaScript 中提取，可能不完整
🆚 与 JavaScript 版本对比
| 特性 | Python 版本 | JavaScript 版本 |
|---|
| 依赖 | pip (bs4, requests) | npm (cheerio, request-promise) |
| 安装速度 | 快（<30 秒） | 慢（可能超时） |
| 代码量 | ~300 行 | ~600 行 |
| 可维护性 | 高 | 中 |
| 验证码处理 | 使用微信 UA 绕过 | 需要额外配置 |
| 推荐度 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |
📚 示例输出
正在提取文章：https://mp.weixin.qq.com/s/xN1H5s66ruXY9s8aOd4Rcg
---
✅ 提取成功！
📰 文章标题：4B 参数实现理解、推理、生成、编辑一体化！InternVL-U 重磅开源
👤 作者：书生 Intern
📢 公众号：书生 Intern
⏰ 发布时间：2026/03/14 10:30:00
📝 文章摘要：重新定义统一多模态模型的 "效率 - 性能" 边界。
🖼️ 封面图：https://mmbiz.qpic.cn/mmbiz_jpg/...
📄 文章类型：post
🔗 文章链接：https://mp.weixin.qq.com/s/xN1H5s66ruXY9s8aOd4Rcg
📊 公众号信息:
- 名称：书生 Intern
- 微信号：未设置
- 原始 ID: 未设置
- 功能介绍：未设置
📝 文章内容长度：129134 字符
💾 详细数据已保存到：/tmp/wechat_article.json
🔗 相关链接
Python 版本 by bozoyan · 2026-03-14 · 专为 CoPaw 优化 📰✨
