c# 基于Titanium爬取微信公众号历史文章列表

Crystal ·
更新时间:2024-11-13
· 303 次阅读

目录

什么是Titanium

原理简述

对于HTTP

对于HTTPS

为什么要爬取历史文章

实现步骤

大致思路

核心代码

测试结果

github:https://github.com/justcoding121/Titanium-Web-Proxy

什么是Titanium

基于C#的跨平台异步HTTP(S)代理服务器
类似的还有:

https://github.com/http-party/node-http-proxy

原理简述
对于HTTP

顾名思义,其实代理就是一个「中间人」角色,对于连接到它的客户端来说,它是服务端;对于要连接的服务端来说,它是客户端。它就负责在两端之间来回传送 HTTP 报文。

对于HTTPS

由于HTTPS加入了CA证书的校验,服务端可不验证客户端的证书,中间人可以伪装成客户端与服务端成功完成 TLS 握手;但是中间人没有服务端证书私钥,无论如何也无法伪装成服务端跟客户端建立 TLS 连接,所以我们需要换个方式代理HTTPS请求。

HTTPS在传输层之上建立了安全层,所有的HTTP请求都在安全层上传输。既然无法通过像代理一般HTTP请求的方式在应用层代理HTTPS请求,那么我们就退而求其次为在传输层为客户端和服务器建立起TCP连接。一旦 TCP 连接建好,代理无脑转发后续流量即可。所以这种代理,理论上适用于任意基于 TCP 的应用层协议,HTTPS 网站使用的 TLS 协议当然也可以。这也是这种代理为什么被称为隧道的原因。
但是这样子无脑转发我们就无法获取到他们交互的数据了,怎么办?
此时就需要代理变身为伪HTTPS服务器,然后让客户端信任我们自定义的根证书,从而在客户端和代理、代理和服务端之间都能成功建立 TLS 连接。对于代理来说,两端的TLS流量都是可以解密的。

最后如果这个代理我们可编程,那么我们就可以对传送的HTTP报文做控制。
相关的应用场景有访问控制、防火墙、内容过滤、Web缓存、内容路由等等。

为什么要爬取历史文章

微信官方其实已经提过了素材列表接口

https://developers.weixin.qq.com/doc/offiaccount/Asset_Management/Get_materials_list.html

但是接口获取的素材地址并不是真实在公众号上推送的地址,所以不存在阅读、评论、好看等功能。
这时候需要我们去公众号的历史文章页取数据。

实现步骤

开发环境:Visual Studio Community 2019 for Mac Version 8.5.6 (build 11)
Frameworks:.NET Core 3.1.0
NuGet:Newtonsoft.Json 12.0.3、Titanium.Web.Proxy 3.1.1301

大致思路

1、先实现通过代理抓包HTTPS,拦截微信客户端数据交互。
2、过滤其他地址,只监测微信文章。
3、访问任意微信文章页,获取header和cookie。
4、模拟微信访问历史页、分析抓取历史文章列表。

核心代码

SpiderProxy.cs

using System; using System.Collections.Generic; using System.Linq; using System.Net; using System.Text.RegularExpressions; using System.Threading; using System.Threading.Tasks; using System.Web; using Newtonsoft.Json.Linq; using Titanium.Web.Proxy; using Titanium.Web.Proxy.Http; using Titanium.Web.Proxy.Models; namespace WechatArticleSpider { public class SpiderProxy { private readonly SemaphoreSlim @lock = new SemaphoreSlim(1); private readonly ProxyServer proxyServer; private readonly ExplicitProxyEndPoint explicitEndPoint; public SpiderProxy() { proxyServer = new ProxyServer(); //在响应之前事件 proxyServer.BeforeResponse += ProxyServer_BeforeResponse; //绑定监听端口 explicitEndPoint = new ExplicitProxyEndPoint(IPAddress.Any, 8000, true); Console.WriteLine("监听地址127.0.0.1:8000"); //隧道请求连接前事件,HTTPS用 explicitEndPoint.BeforeTunnelConnectRequest += ExplicitEndPoint_BeforeTunnelConnectRequest; ; //代理服务器注册监听地址 proxyServer.AddEndPoint(explicitEndPoint); } public void Start() { Console.WriteLine("开始监听"); //Start方法会检测证书,若为空会调用CertificateManager.EnsureRootCertificate();为我们自动生成根证书。 proxyServer.Start(); } public void Stop() { // Unsubscribe & Quit explicitEndPoint.BeforeTunnelConnectRequest -= ExplicitEndPoint_BeforeTunnelConnectRequest; proxyServer.BeforeResponse -= ProxyServer_BeforeResponse; Console.WriteLine("结束监听"); proxyServer.Stop(); } private async Task ExplicitEndPoint_BeforeTunnelConnectRequest(object sender, Titanium.Web.Proxy.EventArguments.TunnelConnectSessionEventArgs e) { string hostname = e.HttpClient.Request.RequestUri.Host; await WriteToConsole("Tunnel to: " + hostname); if (!hostname.StartsWith("mp.weixin.qq.com")) { //是否要解析SSL,不解析就直接转发 e.DecryptSsl = false; } } private async Task ProxyServer_BeforeResponse(object sender, Titanium.Web.Proxy.EventArguments.SessionEventArgs e) { var request = e.HttpClient.Request; //判断是否是微信文章页。 if (request.Host.Contains("mp.weixin.qq.com")&&(request.RequestUriString.StartsWith("/s?") || request.RequestUriString.StartsWith("/s/"))) { byte[] bytes = await e.GetResponseBody(); string body = System.Text.Encoding.UTF8.GetString(bytes); ThreadPool.QueueUserWorkItem((stateInfo) => { CrawlAsync(body, e.HttpClient.Request); }); } } private async Task CrawlAsync(string body,Request request) { //采用正则表达式匹配数据 Match match = Regex.Match(body, @"<strong class=""profile_nickname"">(.+)</strong>"); Match matchGhid = Regex.Match(body, @"var user_name = ""(.+)"";"); if (!match.Success || !matchGhid.Success) { return; } MatchCollection matches = Regex.Matches(body, @"<span class=""profile_meta_value"">(.+)</span>"); if (match.Groups.Count == 0) { return; } await WriteToConsole("检测到微信文章页: " + match.Groups[1].Value + " " + matches[0].Groups[1].Value + " " + matches[1].Groups[1].Value + " "); var queryString = HttpUtility.ParseQueryString(request.RequestUriString.Substring(3)); var httpClient = new HttpClient(request.Headers); await WriteToConsole("Client实例化,已获取header,cookie"); //获取历史页信息 string result = httpClient.Get(string.Format("https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz={0}&scene=124#wechat_redirect", queryString["__biz"])); //封接口检测 if (result.Contains("操作频繁,请稍后再试")) { await WriteToConsole("操作频繁,请稍后再试 限制24小时 请更换微信"); await WriteToConsole("已停止爬虫任务,请更换之后重启助手。"); } //是否抓取完 bool end = false; //下标 int offset = 0; do { //获取历史消息 string jsonResult = httpClient.Get(string.Format("https://mp.weixin.qq.com/mp/profile_ext?action=getmsg&__biz={0}&f=json&offset={1}&count=10&is_ok=1&scene=124&uin={2}&key={3}&pass_ticket={4}&wxtoken=&x5=0&f=json", queryString["__biz"], offset, queryString["uin"], queryString["key"], queryString["pass_ticket"])); JObject jobject = JObject.Parse(jsonResult); if (Convert.ToInt32(jobject["ret"]) == 0) { if (Convert.ToInt32(jobject["can_msg_continue"]) == 0) { end = true; } offset = Convert.ToInt32(jobject["next_offset"]); string strList = jobject["general_msg_list"].ToString(); JObject temp = JObject.Parse(strList); List<JToken> list = temp["list"].ToList(); foreach (var item in list) { JToken comm_msg_info = item["comm_msg_info"]; JToken app_msg_ext_info = item["app_msg_ext_info"]; if (app_msg_ext_info == null) { continue; } //发布时间 string publicTime = comm_msg_info["datetime"].ToString(); //文章标题 string title = app_msg_ext_info["title"].ToString(); //文章摘要 string digest = app_msg_ext_info["digest"].ToString(); //文章地址 string content_url = app_msg_ext_info["content_url"].ToString(); //文章封面 string cover = app_msg_ext_info["cover"].ToString(); //作者 string author = app_msg_ext_info["author"].ToString(); await WriteToConsole(String.Format("{0},{1},{2},{3},{4},{5}", publicTime, title, digest, content_url, cover, author)); //今天发布了多条消息 if (app_msg_ext_info["is_multi"].ToString() == "1") { foreach (var multiItem in app_msg_ext_info["multi_app_msg_item_list"].ToList()) { title = multiItem["title"].ToString(); digest = multiItem["digest"].ToString(); content_url = multiItem["content_url"].ToString(); cover = multiItem["cover"].ToString(); author = multiItem["author"].ToString(); await WriteToConsole(String.Format("{0},{1},{2},{3},{4},{5}", publicTime, title, digest, content_url, cover, author)); } } } } else { end = true; } //每5秒翻页一次 await Task.Delay(5000); } while (!end); await WriteToConsole("历史文章抓取完成"); } private async Task WriteToConsole(string message, ConsoleColor? consoleColor = null) { await @lock.WaitAsync(); if (consoleColor.HasValue) { ConsoleColor existing = Console.ForegroundColor; Console.ForegroundColor = consoleColor.Value; Console.WriteLine(message); Console.ForegroundColor = existing; } else { Console.WriteLine(message); } @lock.Release(); } } }

HttpClient.cs

using System; using System.IO; using System.Net; using System.Threading; using Titanium.Web.Proxy.Http; namespace WechatArticleSpider { class HttpClient { private readonly HeaderCollection headerCollection; private readonly CookieContainer cookieContainer = new CookieContainer(); /// <summary> /// 微信请求客户端 /// </summary> /// <param name="headerCollection">拦截微信请求头集合</param> public HttpClient(HeaderCollection headerCollection) { cookieContainer = new CookieContainer(); ServicePointManager.DefaultConnectionLimit = 512; ServicePointManager.SecurityProtocol = SecurityProtocolType.Tls12 | SecurityProtocolType.Tls11; this.headerCollection = headerCollection; } /// <summary> /// 带微信参数的GET请求 /// </summary> /// <param name="url">请求地址</param> /// <returns>请求结果</returns> public string Get(string url) { string ret = Retry<string>(() => { HttpWebRequest webRequest = WebRequest.CreateHttp(url); webRequest = PretendWechat(webRequest); HttpWebResponse response = webRequest.GetResponse() as HttpWebResponse; string result = new StreamReader(response.GetResponseStream()).ReadToEnd(); return result; }); return ret; } /// <summary> /// 伪造微信请求 /// </summary> /// <param name="request">需要伪造的request</param> /// <returns></returns> public HttpWebRequest PretendWechat(HttpWebRequest request) { try { request.Host = headerCollection.Headers["Host"].Value; request.UserAgent = headerCollection.Headers["User-Agent"].Value; request.Headers.Set(headerCollection.Headers["Accept-Language"].Name, headerCollection.Headers["Accept-Language"].Value); request.Headers.Set(headerCollection.Headers["Accept-Encoding"].Name, headerCollection.Headers["Accept-Encoding"].Value); cookieContainer.SetCookies(new Uri("https://mp.weixin.qq.com"), headerCollection.Headers["Cookie"].Value.Replace(";", ",")); request.KeepAlive = true; request.Accept = headerCollection.Headers["Accept"].Value; request.AutomaticDecompression = DecompressionMethods.Deflate | DecompressionMethods.GZip; request.CookieContainer = cookieContainer; request.AllowAutoRedirect = true; request.ServicePoint.Expect100Continue = false; request.Timeout = 35000; return request; } catch (Exception e) { Console.WriteLine(e.Message); throw; } } /// <summary> /// 三次重试机制 /// </summary> /// <typeparam name="T">参数类型</typeparam> /// <param name="func">方法</param> /// <returns></returns> private static T Retry<T>(Func<T> func) { int err = 0; while (err < 3) { try { return func(); } catch (WebException webExp) { err++; Thread.Sleep(5000); if (err > 2) { throw webExp; } } } return func(); } } } 测试结果

首先我们主动设置一下系统代理。

接着启动代理。

对于不是目标地址的https请求,一律过滤直接转发。
此时Titanium应该会为我们生成了根证书。

右键-》Get Info-》Trust-》选择Always Trust,如果不信任根证书,会发现ProxyServer_BeforeResponse不执行。
最后我们随意的访问一篇公众号文章,代理就会执行脚本去抓公众号的历史文章列表了。

demo:链接:https://pan.baidu.com/s/1ZafgBH1dEiDcdB9E77osFg 密码:tuuv

以上就是c# 基于Titanium爬取微信公众号历史文章列表的详细内容,更多关于c# 基于Titanium爬取公众号历史文章的资料请关注软件开发网其它相关文章!



titanium 微信 公众号 列表 微信公众号 C#

需要 登录 后方可回复, 如果你还没有账号请 注册新账号