方案一：基於搜狗入口
在網上能搜索到的公衆號文章採集相關的信息來看來看，這是最多、最直接、也是最簡單的一種方案。
一般流程是：
-
搜狗微信搜索入口進行公衆號搜索
-
選取公衆號進入公衆號歷史文章列表
-
通過文章列表獲取文章鏈接，通過文章鏈接獲取文章內容
-
對文章內容進行解析入庫
採集過於頻繁的話，搜狗搜索和公衆號歷史文章列表訪問都會出現驗證碼。直接採用一般的腳本採集是無法拿到驗證碼的。這裏可以使用無頭瀏覽器來進行訪問,通過對接打碼平臺識別驗證碼。無頭瀏覽器可採用selenium。
即便採用無頭瀏覽器同樣存在問題：
效率低下（實際上就是在跑一個完整的瀏覽器來模擬人類操作）
網頁資源瀏覽器加載難以控制，腳本對瀏覽器加載很難控制
驗證碼識別也無法做到100%，中途很可能會打斷抓取流程
如果堅持使用搜狗入口並想進行完美採集的話只有增加代理IP。順便說一句，公開免費的IP地址就別想了，非常不穩定，而且基本都被微信給封了。
除了面臨搜狗/微信的反爬蟲機制之外，採用此方案還有其他的缺點：
無法獲得閱讀數、點贊數等用於評估文章質量的關鍵信息
無法及時獲得已經發布公衆號文章，只能作定期的重複爬取
只能獲得最近十條羣發文章
方案二：對手機微信進行中間人攻擊
中間人攻擊本是某種黑客手法，用於截取客戶端與服務端之間的通信信息。這種方案的思路是在手機微信和微信服務器之間搭建一個"HTTPS代理"，用於截獲手機微信獲取的公衆號文章信息。一般性步驟是：
手機微
-
信搜索一個公衆號
-
點擊進入公衆號歷史文章頁面
-
代理識別已經進入列表頁，進行內容截獲，同時根據實際情況返回繼續下拉或爬取新的公衆號的js代碼
-
這種方案能夠實現自動化的原因是：
-
微信公衆號使用的是HTTPS協議，且內容未加密
-
微信公衆號文章列表和詳情本質上是個Web頁面，可以嵌入js代碼進行控制
這種方案的優點：
-
一般情況下不會被屏蔽
-
能拿到點贊數和閱讀數等文章評估信息
-
能拿到公衆號全部的歷史文章
當然，也存在很多缺點：
-
需要一個長期聯網的實體手機
-
前期需要設置代理，工作量比較大
-
本質上還是個輪查的過程，而不是實時推送
-
同樣有Web加載難以控制的風險，且本地網絡環境對其影響非常大
-
存在着微信接口發生變更代碼不再適應的情況
這種方案還存在着一些變種，比如：
-
通過lua腳本控制公衆號搜索而不是靠代理返回嵌入的js代碼
-
通過GUI操作腳本控制PC端微信
-
但都存在"不能精確穩定控制"的缺點
方案三：網頁微信抓包分析
在被微信反爬蟲虐了很長時間之後，和同事大腦風暴尋找新的微信公衆號文章爬取方案。就分析有哪些能獲得數據的入口。模糊記得網頁微信是有公衆號文章閱讀功能的，正好我曾把玩過一段時間個人微信機器人，主要使用的是ItChat這個Python包。它實現的原理就是對網頁微信進行抓包分析，彙總成個人微信接口，目標就是所有網頁微信能實現的功能它都能實現。。所以就有了一個初步的方案——通過ItChat讓微信公衆號文章自己推送過來。快下班的時候和同事提了一下，他也挺感興趣，第二天就實現出來了驗證代碼（ItChat實現相應功能代碼非常簡短，內容解析部分之前就做了，可以直接用）。
這種方案的主要流程是：
-
手機微信關注要抓取的目標公衆號
-
服務器端通過ItChat登錄網頁微信
-
當公衆號發佈新文章推送的時候，會被服務端截獲進行後續的解析入庫
這種方案的優點是：
-
基本零間隔獲取已經發布的公衆號文章
-
能獲取點贊數、閱讀數
-
只需手機微信保持登陸，不用其他操作
當然缺點也是有的：
-
需要一臺長期聯網的手機
-
手機微信不能主動退出，或長時間掉線
-
一個微信一天能夠關注的公衆號有限
-
新微信號不能登陸網頁微信，也就不能用於此方案
-
只能獲取最新發布的文章，無法獲取歷史文章
微信公衆號文章採集基本上就是和騰訊鬥智鬥勇，費心費力。直到現在也沒能找到一個完美的解決方案，只能根據實際的採集目標，擇優選取。要完全服務端，不依賴手機微信，不需要點贊數閱讀數，有大量代理IP就採用方案一；本地網絡穩定且有富裕的手機就用方案二；需要及時獲得公衆號發佈的最新文章的話就用方案三。