用 Python 自动抓取公众号文章与账号数据：WechatSogou 完整使用手册

【免费下载链接】WechatSogou基于搜狗微信搜索的微信公众号爬虫接口项目地址: https://gitcode.com/gh_mirrors/we/WechatSogou

先抛一个可能颠覆你认知的事实：微信官方从来没有开放过公开的公众号内容检索接口。你在市面上看到的各类公众号数据分析平台，数据源头几乎都指向同一条通道——搜狗微信搜索。而 WechatSogou 这个开源项目，做的正是把这条通道包装成一组干净的 Python 接口，让微信公众号数据采集从"手工活"变成"几行代码的事"。

为什么这件事值得关注？想象一个内容运营的普通早晨：为了写竞品分析，你挨个打开十几个公众号，复制标题、记下发布时间、截图封面；再打开搜索页，把关键词相关的文章一条条摘录进表格。一上午过去，表格没填满，眼睛倒是先花了。如果你也经历过这种低效循环，这篇微信公众号数据采集实战手册就是为你准备的——我们会从安装开始，一步步把它跑起来，再落到真实场景里。

为什么你总是缺公众号数据

做内容的、做运营的、做研究的，迟早都会撞上同一堵墙：数据拿不到。

• 想监控竞品，每天手动翻号、手动记录，漏一条就是信息差；
• 想建内容聚合站，数据源分散在不同公众号，采集、清洗、归档全靠人肉；
• 想做行业趋势分析，需要按关键词、按时间批量拉文章，手工完全不可行。

更麻烦的是，手动采集天然带着三个硬伤：格式不统一（有的号发图文、有的发纯文字）、无法批量处理、更无法定时自动更新。手动复制粘贴这条路，本质上是拿时间换数据，永远填不满需求。WechatSogou 解决的正是这套流程：把"搜索、筛选、提取、落地"全部自动化，你要做的只剩调用和存储。

WechatSogou 是什么：一条通往搜狗微信搜索的管道

简单说，WechatSogou 是一个基于搜狗微信搜索的微信公众号爬虫接口，它替你处理了请求构造、页面解析、验证码拦截、链接还原这些脏活累活，对外只暴露几个语义清晰的方法。项目同时兼容 Python 2.7 与 Python 3.5+，安装即用，没有复杂的依赖。

它的源码组织也很有章法，改起来不费力：

• api.py：所有对外接口，采集入口都在这里；
• request.py：负责生成搜狗搜索的请求 URL；
• structuring.py：把返回的 HTML 解析成结构化字典；
• const.py：定义搜索类型、时间范围、热点分类等常量；
• identify_image.py：验证码识别与解锁逻辑；
• exceptions.py、filecache.py、tools.py：异常定义、Cookie 缓存与工具函数。

整体思路是"请求—解析—结构化"三段式，哪怕你没打算改代码，读一遍模块划分也能大致理解数据是怎么流进来的。

环境准备：安装、初始化与第一个请求

安装只需一条命令，建议顺手加上升级参数：

pip install wechatsogou --upgrade

接着初始化 API。除了默认直连，你还可以按需传入代理、超时时间和验证码重试次数，所有requests库支持的参数都能透传：

import wechatsogou # 最简用法：直连 client = wechatsogou.WechatSogouAPI() # 进阶配置：代理 + 超时 + 验证码输错重试上限 client = wechatsogou.WechatSogouAPI( captcha_break_time=3, # 验证码识别错误允许重试 3 次 timeout=5, # 单次请求超时 5 秒 proxies={ "http": "http://127.0.0.1:8888", "https": "http://127.0.0.1:8888", }, )

跑通第一个请求试试水。下面这段代码搜索"餐饮加盟"相关的公众号，并打印名称与微信号：

account_list = client.search_gzh("餐饮加盟") for acc in account_list: print(acc["wechat_name"], "|", acc["wechat_id"])

到这里，管道已经通了。接下来我们把核心接口按"采集任务链路"串一遍——从选词、锁号、查档案，到批量拿文章、追热点。

锁定目标：从关键词联想到公众号档案

采集的第一步不是抓数据，而是定目标：你究竟要盯哪些号、搜什么词？

用关键词联想扩充选题。不确定关键词怎么定？get_sugg直接返回搜狗联想出的相关词，做内容选题和 SEO 扩展特别好用：

hints = client.get_sugg("基金") for idx, word in enumerate(hints[:5], 1): print(f"{idx}. {word}")

按关键词批量锁定公众号。search_gzh支持分页，每页返回一批公众号，正好用来把某个领域"一网打尽"：

for page in range(1, 4): for acc in client.search_gzh("美食探店", page=page): print(f"{acc['wechat_name']} ｜ 认证:{acc.get('authentication')}")

深挖单个公众号的完整档案。当我们确定了重点关注对象，用get_gzh_info拿到它的头像、二维码、认证信息、简介、最近一月群发数与阅读量，这些字段足够支撑起一个公众号数据库：

info = client.get_gzh_info("运营研究社") print("名称:", info["wechat_name"]) print("微信号:", info["wechat_id"]) print("认证:", info.get("authentication", "未认证")) print("简介:", info["introduction"]) print("近一月群发:", info.get("post_perm"), "阅读量:", info.get("view_perm"))

拿文章：跨号检索与历史追更

目标定了，接下来就是文章层面。这一层有两个接口，覆盖"按主题搜"和"按账号追"两种场景。

跨公众号检索文章，支持时间与类型过滤。search_article除了基础的关键词搜索，还能组合时间范围与内容类型（有图、有视频、图文混合等），精准定位目标内容：

from wechatsogou import WechatSogouConst # 最近一周内、带图的人工智能相关文章 articles = client.search_article( "人工智能", timesn=WechatSogouConst.search_article_time.week, article_type=WechatSogouConst.search_article_type.image, ) for hit in articles: print(hit["article"]["title"], "——", hit["gzh"]["wechat_name"])

如果timesn设为specific，还可以配合ft、et两个日期参数指定任意起止区间，做时间窗口内的内容研究非常顺手。

追踪单个公众号的历史推送。get_gzh_article_by_history接受公众号名称或微信号，返回账号基本资料和最近 10 条群发文章的明细，包括标题、摘要、发布时间、封面图、作者、是否原创等：

record = client.get_gzh_article_by_history("刘润") print("账号:", record["gzh"]["wechat_name"]) print("文章数:", len(record["article"])) for post in record["article"][:3]: print("标题:", post["title"], "| 时间:", post["datetime"])

追热点：按分类抓取热门榜单

如果你想做热点追踪或内容聚合，get_gzh_article_by_hot按分类返回搜狗首页的热门文章。分类常量覆盖科技、财经、美食、旅行、教育、体育、游戏、萌宠等二十多个方向，挑你关心的频道即可：

from wechatsogou import WechatSogouConst tech_hot = client.get_gzh_article_by_hot(WechatSogouConst.hot_index.technology) finance_hot = client.get_gzh_article_by_hot(WechatSogouConst.hot_index.finance) for item in tech_hot[:5]: print(item["article"]["title"], "|", item["gzh"]["wechat_name"])

每个结果都带文章标题、摘要、封面图与推送时间戳，直接就能喂给下游做聚合展示或热度统计。

三个可直接上手的实战脚本

光会调用接口还不够，我们把前面学的串成三个能直接跑的场景脚本。

场景一：竞品动态日报。每天抓取竞品公众号的最新推送，生成一份 Markdown 日报：

def build_daily_report(client, accounts, output="daily.md"): lines = ["# 竞品动态日报", ""] for name in accounts: try: payload = client.get_gzh_article_by_history(name) latest = payload["article"][0] lines.append(f"- **{name}**：{latest['title']}（{latest['datetime']}）") except Exception as err: lines.append(f"- **{name}**：抓取失败，原因 {err}") with open(output, "w", encoding="utf-8") as f: f.write("\n".join(lines))

场景二：分类热点聚合。把多个热门分类的文章收集起来，按分类归档成字典，方便接入聚合平台：

def collect_hot_by_category(client, categories, top_n=5): result = {} for cat in categories: picked = [] for item in client.get_gzh_article_by_hot(cat)[:top_n]: picked.append({ "title": item["article"]["title"], "summary": item["article"]["abstract"][:80], "source": item["gzh"]["wechat_name"], }) result[cat] = picked return result

场景三：关键词发布趋势分析。统计不同关键词下文章发布时间的分布，观察话题热度曲线：

from collections import Counter from datetime import datetime def analyze_publish_trend(client, keywords): trend = {} for word in keywords: date_counter = Counter() for hit in client.search_article(word): stamp = hit["article"]["time"] day = datetime.fromtimestamp(stamp).strftime("%Y-%m-%d") date_counter[day] += 1 trend[word] = dict(date_counter) return trend

工程化加固：限速、重试与缓存

采集脚本跑起来不难，难的是让它长期稳定地跑。搜狗对请求频率有限制，IP 一旦被盯上，等待你的就是验证码和封禁。三个手段必不可少。

随机限速，模拟人工节奏。每次请求前随机睡上几秒，比固定间隔更不容易触发风控：

import random import time def throttled_call(client, method, *args, **kwargs): time.sleep(random.uniform(2, 5)) return getattr(client, method)(*args, **kwargs)

失败重试，对抗网络抖动。用一个小函数包裹采集动作，失败就等一会儿再来：

def with_retry(fn, tries=3, pause=3): for attempt in range(tries): try: return fn() except Exception: if attempt == tries - 1: raise time.sleep(pause)

本地缓存，避免重复请求。对频繁查询的关键词结果做文件缓存，命中就走本地，既省时间又降低请求压力。缓存键用参数组合生成，TTL 过期后自动失效，实现很轻量，逻辑完全可以自己写。

另外，搜狗返回的文章链接是临时链接，会过期。遇到这种情况，用get_article_content及时把正文和图片列表落盘，必要时还能传入hosting_callback把图片托管到对象存储，防止内容失效。

避坑指南：五个高频问题一次说清

把新手最常踩的坑集中讲透，能帮你省下大量排查时间。

1. 为什么只能抓到最近 10 篇文章？这是微信平台的硬限制，搜狗只暴露最近 10 条群发。想要更全的历史，只能定期采集、持久化到自己的数据库里，慢慢累积。

2. 文章链接为什么突然打不开？微信临时链接有有效期。正确做法是抓到即处理：用get_article_content把正文保存下来，而不是把 URL 存起来以后再用。

3. 遇到验证码怎么办？项目内置了验证码处理机制，默认会调用人工识别回调identify_image_callback_by_hand，你也可以接入第三方 OCR 服务。captcha_break_time参数控制识别错误的容忍次数。

4. 到底支持哪个 Python 版本？Python 2.7 和 Python 3.5+ 都支持，如果在新版本上遇到异常，直接到项目提 issue 即可。

5. 请求频率有没有限制？有。建议每次请求间隔 3～5 秒，别用并发轰炸，这是保护自己 IP 的基本修养。

结尾：给第一个脚本加上定时任务

工具的价值在于持续运行。现在你已经有了环境、接口、实战脚本和避坑清单，最后一步是把脚本挂到定时任务上——无论是操作系统的 cron，还是 Python 里的调度库，让日报每天自动生成、热点自动归档，从此告别每天早上打开几十个公众号手动抄数据的日子。

动手吧：安装wechatsogou，把你最关心的三五个公众号写进脚本，跑出第一份自动化日报。数据采集这件事，从今天起不再是体力活。

【免费下载链接】WechatSogou基于搜狗微信搜索的微信公众号爬虫接口项目地址: https://gitcode.com/gh_mirrors/we/WechatSogou