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

bash
pip install beautifulsoup4 requests lxml

或使用国内镜像加速：

bash
pip install beautifulsoup4 requests lxml -i https://pypi.tuna.tsinghua.edu.cn/simple

🚀 使用方法

基本用法

bash
python3 scripts/wechat_extractor.py <微信文章 URL>

示例

bash

提取单篇文章

在 Python 脚本中调用

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

json
{
done: true,
code: 0,
data: {
// 文章信息
msg_title: 文章标题,
msg_desc: 文章摘要,
msg_content:

// URL 参数
msg_mid: mid 参数,
msg_idx: idx 参数,
msg_sn: sn 参数,
msgbiz: _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
msghascopyright: true
}
}

错误响应

json
{
done: false,
code: 1002,
msg: 请求超时
}

⚠️ 错误码说明

🎯 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

python
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

python
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

python
from bs4 import BeautifulSoup

result = extractor.extract(url)
htmlcontent = result[data][msgcontent]

转为纯文本

🔧 高级配置

自定义请求头

python
extractor = WeChatArticleExtractor(timeout=60)
extractor.session.headers.update({
User-Agent: 自定义 User-Agent
})

使用代理

python
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

1. 1. 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：

1. 2. 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

1. 3. 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

1. 4. 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

📚 示例输出

正在提取文章：https://mp.weixin.qq.com/s/xN1H5s66ruXY9s8aOd4Rcg

📰 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

• - 微信公众号平台
• BeautifulSoup 文档
• Requests 文档