微信小程序，Python爬虫抓包采集实战，采集某成考题库小程序

@[toc]

⛳️ 实战场景

从本篇博客开始，我们会针对微信小程序编写一系列的爬虫，这些爬虫依旧通过案例进行串联，保证对大家的学习有所帮助。

正式开始前先准备工具，一个可以解析 https 协议请求的软件 fiddler，电脑版微信。

由于在 2022 年 5 月份，微信调整了其小程序架构，所以在正式开始前需要对环境进行一下基础配置，便于抓取到网络包。

如果你的 fiddler 启动之后，可以成功抓取数据包，无需该步操作。

找到下述路径的文件夹，然后清空该文件夹，接下来重新启动微信，此时就可以获取小程序中的 https 请求了，效果图如下所示。

C:\Users\Administrator\AppData\Roaming\Tencent\WeChat\XPlugin\Plugins\WMPFRuntime

由于 Python 有侵权问题，所以关键站点信息进行打码处理。

抓取请求之后，首先对请求地址进行分析，本次采集的目标站点呈现如下规则（实践初期可以多获取一下不同地址）：

weixin.不能展示的作品地址.com/app/index.php?i=1063&t=0&v=1.0.0&from=wxapp&c=entry&a=wxapp&do=gettopic&m=huitong_shuati&sign=指纹地址&topic_class_id=30702&ordinal=1 weixin.不能展示的作品地址.com/app/index.php?i=1063&t=0&v=1.0.0&from=wxapp&c=entry&a=wxapp&do=gettopic&m=huitong_shuati&sign=指纹地址&topic_class_id=30702&ordinal=2

在对参数进行猜测的时候，我发现了 sign 加密参数，此时就比较麻烦了，因为我们没有办法进行调试，如果该参数需要解析，那还面临小程序解包这一问题，不过后续的实际分析，让我松了一口气，该参数并未参加运算。

其核心参数如下所示：

• c：控制器；
• a：动作，也可以叫做函数
• m：猜测是 model
• topic_class_id：试卷 ID；
• ordinal：题目序号。

如果仅有这些参数，此时可以在一空白谷歌浏览器中进行迭代，即判断是否可以直接通过题号切换，获取所有试题。

随着不断增大题号，结果当试题不存在时，得到下述响应信息。

{"errno":0,"message":"\u9898\u7684\u6570\u636e\u83b7\u53d6\u5931\u8d25","data":{"status":0}}

将 unicode 转码之后，得到题目不存在的提示，此时表示该试卷所有试题已经解析完毕。

题目获取成功，得到题干，选项，解析，包括试卷题目总数等信息，有这些数据之后，就可以进入编码实战环节。以下代码主要通过 Python requests 模块实现。

⛳️ 实战编码

在实战中可以先将数据存储到 MySQL 中（直接存储 JSON 文件也可以），然后在进行后续的读取操作。

下面在梳理一下需求实现步骤：

1. 获取分类页面试题类型该页面获取地址如下所示：

weixin.不能展示的作品地址.com/app/index.php?i=1063&t=0&v=1.0.0&from=wxapp&c=entry&a=wxapp&do=fenlei_data&state=指纹地址&m=huitong_shuati&sign=指纹地址&up_class_id=3464&openid=om76m4sMOiBzooHFFKbqcZJFysq0

2. 获取试卷科目数据获取地址如下所示：

weixin.不能展示的作品地址.com/app/index.php?i=1063&t=0&v=1.0.0&from=wxapp&c=entry&a=wxapp&do=fenlei_data&state=指纹地址&m=huitong_shuati&sign=指纹地址&up_class_id=24321&openid=om76m4sMOiBzooHFFKbqcZJFysq0

3. 获取试卷分组数据

https://weixin.不能展示的作品地址.com/app/index.php?i=1063&t=0&v=1.0.0&from=wxapp&c=entry&a=wxapp&do=fenlei_data&state=指纹地址&m=huitong_shuati&sign=指纹地址&up_class_id=24377&openid=om76m4sMOiBzooHFFKbqcZJFysq0

4.获取分组下的试卷

https://weixin.不能展示的作品地址.com/app/index.php?i=1063&t=0&v=1.0.0&from=wxapp&c=entry&a=wxapp&do=fenlei_data&state=指纹地址&m=huitong_shuati&sign=指纹地址&up_class_id=30658&openid=om76m4sMOiBzooHFFKbqcZJFysq0

5.获取试题

https://weixin.不能展示的作品地址.com/app/index.php?i=1063&t=0&v=1.0.0&from=wxapp&c=entry&a=wxapp&do=gettopic&state=指纹地址&m=huitong_shuati&sign=指纹地址&topic_class_id=30659&ordinal=1

获取到这五个地址之后，还需要进一步的进行整理分析，看中间是否存在步骤跳过的可能。

经过筛选，得到下图内容，其中 up_class_id 作为核心参数脱颖而出。所以后续的内容就围绕 up_class_id 进行编写即可，二级分类数据获取代码如下：

import requests import pymysql headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.0.0 Safari/537.36" } def get_conn(): conn = pymysql.connect( host='127.0.0.1', user='你的账号', db='question_scrapy', port=3306, cursorclass=pymysql.cursors.DictCursor ) return conn def run(): res = requests.get( 'https://weixin.不能展示的作品地址.com/app/index.php?i=1063&from=wxapp&c=entry&a=wxapp&do=fenlei_data&m=huitong_shuati&up_class_id=3464', headers=headers, timeout=5, verify=False) json_data = res.json() if json_data["errno"] == 0: fenlei_data = json_data["data"]['0']["fenlei_data"] insert_fenlei(fenlei_data) def insert_fenlei(fenlei_data): conn = get_conn() cursor = conn.cursor() for item in fenlei_data: up_class_id = item["id"] topic_class_name = item["topic_class_name"] cursor.execute( f'insert into fenlei_data values({up_class_id},"{topic_class_name}")') try: conn.commit() except Exception as e: conn.rollback() cursor.close() conn.close() if __name__ == '__main__': run()

输入插入结果如下所示：四层页面全部采集完毕，得到的数据如下所示：拿到本列表之后，就可以批量采集试题了，直接通过最后一个链接地址获取。

def get_question(topic_class_id, ordinal=1): url = f'https://weixin.不能展示的作品地址.com/app/index.php?i=1063&from=wxapp&c=entry&a=wxapp&do=gettopic&m=huitong_shuati&topic_class_id={topic_class_id}&ordinal={ordinal}' res = requests.get(url, headers=headers) data = res.json()["data"] if data["status"] == 1: questions_count = data["count"] for num in range(1,int(questions_count)+1): url = f'https://weixin.不能展示的作品地址.com/app/index.php?i=1063&from=wxapp&c=entry&a=wxapp&do=gettopic&m=huitong_shuati&topic_class_id={topic_class_id}&ordinal={num}' res = requests.get(url, headers=headers) print(res.json()["data"]["topic_data"][0])

此时再次运行代码，就可以将试题全部采集到本地数据库中了，为了后续操作便捷，试题全部采用 JSON 字符串格式入库。