c# 基于Titanium爬取微信公众号历史文章列表

编辑: admin 分类: c#语言 发布时间: 2021-11-25 来源:互联网
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())
     【本文由:http://www.1234xp.com/st.html提供,感谢】      {
            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海外IDC网其它相关文章!

    【转自:荷兰服务器