So sammeln Sie Artikelseiten von öffentlichen WeChat-Konten mit PHP

Ich werde analysieren, wie man mit PHP eine Methode zum Sammeln öffentlicher WeChat-Kontoartikel schreibt, und PHP-Code wird im Detail erklärt. Freunde, die sich für PHP interessieren, können es lernen.

Es gibt mehrere Probleme beim Sammeln historischer Nachrichten öffentlicher Konten:

1. Es gibt einen Bestätigungscode

2 Die historische Nachrichtenliste enthält nur die letzten 10 massenhaft veröffentlichten Inhalte.

3 Die Artikeladresse hat eine Gültigkeitsdauer 🎜>

Für diese Probleme gibt es keinen Weg durch die Methode in meinem vorherigen Artikel, obwohl der Aufbau des Sammelsystems nicht so einfach ist wie das Schreiben von Regeln für das Crawlen traditioneller Sammler. Allerdings ist die Effizienz der Batch-Sammlung nach einmaliger Einrichtung immer noch akzeptabel. Darüber hinaus sind die gesammelten Artikeladressen dauerhaft gültig und alle historischen Nachrichten eines öffentlichen Kontos können gesammelt werden.

Beginnen wir mit der Linkadresse eines öffentlichen Kontoartikels:

1 Kopieren Sie die Linkadresse aus dem Menü in der oberen rechten Ecke von WeChat:

http:/ /mp.weixin.qq.com/s/fF34bERZ0je_8RWEJjoZ5A

2. Die aus der historischen Nachrichtenliste erhaltene Adresse:

http:/ /mp. weixin.qq.com/s?biz=MjM5NDAwMTA2MA==&mid=2695729619&idx=1&sn=8be0b6bd0210cee0d492ebdf20f7371f&chksm=83d74818b4a0c10ef286b33bb7deb73226125f866 ddb 5b2781166066a69afef3705eabdb3b85&scene=4#wechat_redirect

3. Vollständige echte Adresse:

https: // mp.weixin.qq.com/s?biz=mjm5ndawmta2ma==&mid=2695729619&IDX=1&SN=8BE0210d0210f20f7371F&CHKHKSM= 83D74818B4A0C10EF286B33bb7Deb73226125F866DDB5B278166069AFEF3705EABDB3B85 & Scene = 37 & Key A7436AEBA2C1D47A20D02194D1C944A8286A8Eded93495EEADD05DA412BBFA A638A379750AEAA4CF5C00E4D78573C72777777715C23F23F f2400 & ascene = 3 & uin = mzuyotiynq%3d%3D & DeviceType =iOS10.1.1&version=16050120&nettype=WIFI&fontScale=100&pass_ticket=FGRyGfXLPEa4 AeOsIZu7KFJo6CiXOZex83Y5YBRglW4%3D&wx_header=1

Die oben genannten drei Adressen sind die Adressen der Gleicher Artikel, an verschiedenen Orten erhalten Sie erhalten völlig unterschiedliche 3 Ergebnisse. Ähnlich wie die Seite mit historischen Nachrichten verfügt WeChat über einen Mechanismus zur automatischen Ergänzung von Parametern. Die erste Adresse wird durch Kopieren des Links erhalten und scheint eine getarnte Verschlüsselung zu sein. Tatsächlich ist es nutzlos und wir werden es nicht in Betracht ziehen. Die zweite Adresse ist die Linkadresse, die mit der im vorherigen Artikel vorgestellten Methode aus der JSON-Artikelliste der historischen Nachrichten abgerufen wird. Wir können diese Adresse in der Datenbank speichern. Anschließend kann der Artikelinhalt über diese Adresse vom Server bezogen werden. Nachdem die Parameter zum dritten Link hinzugefügt wurden, besteht der Zweck darin, dem Lesevolumen js auf der Artikelseite zu ermöglichen, das JSON-Ergebnis des Lesevolumens und des ähnlichen Volumens zu erhalten. Bei der Methode unseres vorherigen Artikels wird die Artikelseite vom Client geöffnet und angezeigt. Aufgrund dieser Parameter erhält der js auf der Artikelseite automatisch das Lesevolumen, sodass wir das Lesevolumen dieses Artikels über den Proxy-Dienst erhalten können . .

Der Inhalt dieses Artikels besteht darin, im Detail zu untersuchen, wie man Artikelinhalte und andere nützliche Informationen basierend auf der im vorherigen Artikel dieser Kolumne vorgestellten Methode erhält.

(Liste der in meiner Datenbank gespeicherten Artikel, einige Felder)

1. Holen Sie sich den Quellcode des Artikels:

Sie können den Quellcode des Artikels über die PHP-Funktion file_get_content() in eine Variable einlesen. Da der Quellcode des WeChat-Artikels über den Browser geöffnet werden kann, werde ich ihn hier nicht einfügen, um Platzverschwendung auf der Seite zu vermeiden.

<?
//$content_url 变量的值为文章地址
$html = file_get_contents($content_url);
?>

2. Nützliche Informationen im Quellcode:

1) Originalinhalt:

Der Originalinhalt ist in einem cfd680454c127ace0ad40a8afa2cb84a94b3e26ee717c64999d7867364b1b4a3-Tag enthalten und wird über den PHP-Code abgerufen:

Regelmäßige Erkennung am Anfang cfd680454c127ace0ad40a8afa2cb84a, Erkennung am Ende 0d52043f0425a0b2be792ccffefdd871; Mein reguläres Matching-Level ist begrenzt, daher kann ich es nur so schreiben. Ich hoffe, jemand mit Fachwissen kann eine bessere reguläre Matching-Methode aufzeigen.

<?
preg_match_all("/id=\"js_content\">(.*)<script/iUs",$html,$content,PREG_PATTERN_ORDER);
$content = "<p id=&#39;js_content&#39;>".$content[1][0];
?>

Beachten Sie außerdem: Diese Matching-Regel kann sich nach einiger Zeit ändern. Dieser Artikel wird so weit wie möglich aktualisiert. Wenn Sie ein Sammelsystem basierend auf meinem Artikel erstellen und es eines Tages fehlschlägt, vergessen Sie nicht, noch einmal vorbeizukommen und zu prüfen, ob der Artikel aktualisiert wurde.

2) Inhaltsverarbeitung:

Durch die obige Methode haben wir den HTML-Code des Artikelinhalts erhalten, aber nachdem Sie den Artikelinhalt angezeigt haben, werden Sie feststellen, dass es sich um Bilder und Videos handelt kann nicht normal angezeigt werden. Da dieser HTML-Code noch etwas Verarbeitung benötigt:

首先是图片，微信文章中的a1f02c36ba31691bcfe87b2722de723b标签中的src属性全部都用了src属性代替。只有在显示的时候才会被替换过来。所以我们也有两个方案，将源代码直接替换过来，或者用js在显示时候再替换。下面我先介绍直接替换html的方法：

<?
//$content变量的值是前面获取到的文章内容html
$content = str_replace("src","src",$content);
?>

然后是视频，视频的显示不正常，经过长期测试后发现只要替换一个页面地址就能解决，过程就不说了，直接说结果：

<?
//$content变量的值是前面获取到的文章内容html
$content = str_replace("preview.html","player.html",$content);
?>

通过这两个替换之后，文章内容html中的图片和视频就都正常了。

3) 公众号相关信息：

通过本专栏之前的文章，介绍了我们使用微信客户端，任意打开一个公众号的历史消息页之后。系统从数据库中识别biz的值，发现数据库中没有记录，就会插入一条新的纪录。之后的采集队列就会定期根据这个biz来获取这个公众号的历史消息列表。

但是我们只获得了这个公众号的biz，公众号的名称，头像这两个重要信息还是没有获取到。主要原因是历史消息页面中没有这两个信息。但是我们可以从文章页面中获取到。

在微信文章页面html的底部，有一些js的变量赋值的代码，通过正则匹配之后我们就可以获得这两个公众号的信息：

<?
//$html变量的值是前面获取到的文章全部html
preg_match_all(&#39;/var nickname = \"(.*?)\";/si&#39;,$html,$m);
$nickname = $m[1][0];//公众号昵称
preg_match_all(&#39;/var round_head_img = \"(.*?)\";/si&#39;,$html,$m);
$head_img = $m[1][0];//公众号头像
?>

通过这两个正则匹配，我们就能获取到公众号的头像和昵称，然后根据文章地址中的biz，可以保存到对应的微信号数据表中。

3、文章的保存和处理

前面的代码已经将文章内容获取到变量中了。如何保存其实每个人也许都有自己的想法。我这里介绍一下我的保存内容的方法：

将文章内容的html以数据库id为文件名保存成html文件，以biz字段为目录。

<?
$dir = "./".$biz."/";
$filename = $dir.$id.".html";
if(!is_dir($dir)) {
  mkdir($cache_dir);
  chmod($cache_dir,0777);
}
$file = fopen($filename, "w");
fwrite($file, $content);
fclose($file);
?>

以上代码是一个标准的php建立文件夹保存文件的代码，大家可以根据自己的实际情况安排保存方法。

在这之后我们就可以在自己的服务器上得到一个html文件，内容就是公众号的文章内容。我们可以从浏览器中打开看一下。这时你也许会发现图片防盗链了！无法正常显示！包括数据库中保存的文章封面图，公众号的头像都是防盗链的。

别急，这个问题很好解决，只需要将图片也保存到自己的服务器，无非是将来会占用自己的服务器空间和带宽。

图片防盗链的原理是当图片在网页中显示的时候，图片服务器会检测到引用这张图片的服务器域名，当发现服务器域名不包含http://qq.com或http://qpic.cn的时候就会被替换成防盗链图片。

但是如果检测不到引用页面的域名就会正常显示，所以我们通过php的函数file_get_content()就可以将图片的二进制代码获取过来，然后根据自己的想法起个文件名保存到自己的服务器上。在这里再介绍一个保存图片的方法，我目前使用了腾讯云的“万象优图”，通过它们提供的api将图片保存到云空间，这样的好处是读取图片时直接在图片的链接地址加上希望得到的图片尺寸大小参数，就可以直接得到一张缩略图。比存在自己的服务器方便得多。阿里云也应该有同样的产品，好像名叫对象存储。

另外，我采集公众号内容的目的是制作成一个新闻app，在app中将html代码显示出来之后，因为app同样没有域名，防盗链服务器也同样不会认为图片被盗链了。这样就可以直接显示图片出来。

以上就是我总结的公众号文章内容的采集与存储方法，希望能够帮到你。

相关推荐：

PHP微信红包实现代码介绍

PHP微信PC二维码登陆的实现方法

PHP微信开发用Cache 解决数据缓存

Das obige ist der detaillierte Inhalt vonSo sammeln Sie Artikelseiten von öffentlichen WeChat-Konten mit PHP. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!