1. 引言
   微信公众号是一个重要的内容分发平台，许多优质文章仅在该平台发布。然而，公众号的封闭性使得数据采集和分析变得困难。本文将介绍如何使用Python爬取微信公众号文章，并结合自然语言处理（NLP）技术进行关键词分析，帮助用户快速提取核心信息。
   1.1 技术栈
   ● 爬虫框架：requests + BeautifulSoup / mitmproxy（抓包）
   ● 数据处理：pandas
   ● 自然语言处理：jieba（中文分词） + wordcloud（词云生成）
   ● 存储：sqlite3（轻量级数据库）
   1.2 目标
2. 爬取指定公众号的历史文章（标题、发布时间、阅读量、正文）。
3. 对文章内容进行分词和关键词提取。
4. 生成词云，直观展示高频关键词。
5. 公众号爬取实现
   由于微信公众号的反爬机制较强，直接请求网页版可能无法获取数据。我们采用 Fiddler/mitmproxy 抓包 的方式获取真实接口数据。
   2.1 抓取公众号文章列表
   （1）使用 mitmproxy 获取接口数据
   微信公众号的“历史消息”页面（mp.weixin.qq.com）采用动态加载，可通过抓包工具（如 Fiddler、Charles、mitmproxy）获取真实 API。
   步骤：
6. 在 PC 端微信打开目标公众号的历史文章页面。
7. 使用 mitmproxy 监听请求，找到类似 https://mp.weixin.qq.com/mp/profile_ext 的接口。
8. 分析返回的 JSON 数据，提取文章列表。
   （2）Python 代码实现
   假设我们已经获取到公众号文章的 API 接口，可以模拟请求获取数据：
   import requests
   import json
   from requests.auth import HTTPProxyAuth

代理配置

proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "16QMSOML"
proxyPass = "280651"

代理设置（HTTP/HTTPS）

proxies = {
"http": f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}",
"https": f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"
}

请求头

headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36",
"Cookie": "你的Cookie" # 替换为你的微信Cookie
}

def get_article_list(offset=0):
url = "https://mp.weixin.qq.com/mp/profile_ext"
params = {
"action": "getmsg",
"__biz": "公众号的biz参数", # 替换为目标公众号的biz
"offset": offset,
"count": 10, # 每次请求的文章数量
}
try:

    # 使用代理发送请求
    resp = requests.get(
        url,
        params=params,
        headers=headers,
        proxies=proxies,
        timeout=10  # 设置超时时间
    )
    resp.raise_for_status()  # 检查请求是否成功
    data = resp.json()
    return data.get("general_msg_list", [])
except requests.exceptions.RequestException as e:
    print(f"请求失败: {e}")
    return []

测试爬取

articles = get_article_list()
print(json.dumps(articles, indent=2, ensure_ascii=False))
关键点：
● __biz：公众号的唯一标识，可在公众号主页 URL 中找到。
● Cookie：登录微信 PC 端后，从浏览器开发者工具复制。
2.2 解析文章详情
获取文章列表后，需要进一步爬取每篇文章的正文内容。
from bs4 import BeautifulSoup

def parse_article_detail(article_url):
resp = requests.get(articleurl, headers=headers)
soup = BeautifulSoup(resp.text, 'html.parser')
content = soup.find('div', class='rich_media_content').get_text()
return content.strip()

示例：解析第一篇文章

first_article_url = articles[0]["app_msg_ext_info"]["content_url"]
article_content = parse_article_detail(first_article_url)
print(article_content[:200]) # 输出前200个字符

1. 关键词分析
   3.1 使用 jieba 进行分词
   jieba 是 Python 中最常用的中文分词工具，支持自定义词典和停用词过滤。
   import jieba
   import jieba.analyse

加载停用词

stopwords = set()
with open("stopwords.txt", "r", encoding="utf-8") as f:
for line in f:
stopwords.add(line.strip())

分词 + 关键词提取

def extract_keywords(text, topK=10):
words = jieba.cut(text)
filtered_words = [word for word in words if word not in stopwords and len(word) > 1]
keywords = jieba.analyse.extract_tags(" ".join(filtered_words), topK=topK)
return keywords

keywords = extract_keywords(article_content)
print("Top 10 关键词:", keywords)
3.2 生成词云
使用 wordcloud 库可视化高频关键词：
from wordcloud import WordCloud
import matplotlib.pyplot as plt

def generate_wordcloud(text):
wc = WordCloud(
font_path="SimHei.ttf", # 中文字体
background_color="white",
max_words=50,
width=800,
height=600
)
wc.generate(text)
plt.imshow(wc, interpolation="bilinear")
plt.axis("off")
plt.show()

generate_wordcloud(" ".join(keywords))

1. 数据存储（SQLite）
   将爬取的文章存储到数据库，方便后续分析：
   import sqlite3

conn = sqlite3.connect("wechat_articles.db")
cursor = conn.cursor()

创建表

cursor.execute("""
CREATE TABLE IF NOT EXISTS articles (
id INTEGER PRIMARY KEY AUTOINCREMENT,
title TEXT,
publish_time TEXT,
read_count INTEGER,
content TEXT,
keywords TEXT
)
""")

插入数据

def save_article(title, publish_time, read_count, content, keywords):
cursor.execute("""
INSERT INTO articles (title, publish_time, read_count, content, keywords)
VALUES (?, ?, ?, ?, ?)
""", (title, publish_time, read_count, content, ",".join(keywords)))
conn.commit()

示例存储

save_article(
title="Python爬虫实战",
publish_time="2023-10-01",
read_count=5000,
content=article_content,
keywords=keywords
)

conn.close()

1. 总结
   本文介绍了如何：
2. 使用 mitmproxy 抓包获取公众号文章 API。
3. 用 requests + BeautifulSoup 解析文章内容。
4. 结合 jieba 和 wordcloud 进行关键词分析和可视化。
5. 存储数据至 SQLite 数据库。
   扩展方向
   ● 反反爬优化：使用代理 IP、随机 User-Agent 提高稳定性。
   ● 自动化监控：定时爬取新文章并发送邮件/Telegram 通知。
   ● 情感分析：结合 NLP 模型（如 SnowNLP）分析文章情感倾向。