Python 爬取 6000 篇文章分析 CSDN 是如何进入微信 500 强的
CSDN 小姐姐们恭祝所有朋友新年快乐！
作者 | 罗昭成，设计 | 张藐，责编 | 唐小引
出品 | CSDN（ID：CSDNnews）
亲爱的小伙伴们，马上就到 2019 年了，你的 2018 年的计划都完成了吗？
这一年，互联网、技术圈发生了很多大事。譬如，曾经风光无限的 ofo 陷退押金风波；子弹短信横空出世，震惊朋友圈；“长春长生”疫苗事件，闹得沸沸扬扬，一位程序员挺身而出追根溯源；暗网论坛中公开出售华住旗下所有酒店的数据，用户隐私惨遭泄漏；因人工智能的火热 Python 在编程语言榜步步攀升……
这一年，CSDN 以技术人的独特视角，描述了众多技术人所关心的焦点事件，为技术人第一时间推送并解读业界正在发生的事情，并以技术干货、前沿技术、编程语言、程序员职场与技能提升等内容，希望能够帮助所有从事开发的朋友们更好地成长。
在这连朝接夕全年不休地推送文章给所有朋友的同时，我们也收获了更多的关注者、更高的阅读量、更多的认可、更高的赞许，甚至于某一日突然发现在内容创业服务平台新榜上被打上了“500 强”的标识。更至关重要的，是所有开发者朋友们，每一次的阅读、转发、点赞（好看），都是我们能够在凌晨还开着电脑奋笔疾书的动力。
CSDN 是属于所有技术人的，在这个大家庭里，我们一起学习技能共同成长，分享精彩的程序人生。过去一年里，有着非常多的开发者朋友通过 CSDN 公众号分享了自己的经验及思考，并与读者互动交流，譬如《C++20 要来了！》、《为什么中国的底层创新做不起来？| 畅言》、《Google Fuchsia 对中国操作系统的启示 | 畅言》等等。
在 2017 年末，CSDN 的一位好朋友用数据分析了 CSDN 公众号一年都做了什么。现在，在这辞旧迎新之际，又有一位好朋友用 Python 抓取数据来分析 CSDN 到底给千万开发者带来了什么？
最后更有惊喜福利等你哟！
以下为正文：
如何爬取微信公众号文章？
作者注：先解释义，网络爬虫指的是按照一定的规则，自动抓取万维网信息的程序或者脚本。
读过笔者之前写的文章的朋友，肯定会知道，要抓取微信公众号文章，第一件事就是去找接口，之前都是在 Web 站点上去找。Chrome 的调试工具，能够很清晰地看到所有的网络请求，简单的分析，就能找到对应的 API ，但是在移动端，这件事情显然就变得复杂了很多。
Android 抓包
对于许多从事移动开发的朋友们来说，抓包是一个常用需求，在这里，笔者简要介绍一下基本步骤：
在你的个人电脑上安装抓包软件，推荐 Charles 和 Fiddler ，使用 Mac 的朋友建议使用 Charles ，使用 Windows 的朋友建议使用 Fiddler；
将手机与电脑连接在同一个局域网中；
在手机的 Wi-Fi 设置里面，手动设置代理，使用你的个人电脑代理手机的网络请求；
代理请求，抓取 HTTPS。
众所周知，HTTP 是进行明文传输的，可以很方便地看到上行与下行的数据。但是 HTTPS 使用的是加密传输，要看到上行与下行的数据，我们得事先知道通信的密码，才能解密看到真实内容。
为了解决这个问题，抓包工具会作为一个中间代理人，手机端与抓包工具进行通信，抓包工具再与服务端进行通信。手机端与抓包工具建立 HTTPS 请求使用的公钥是抓包工具下发给他的。所以，为了能正常通信，需要安装抓包工具生成的根证书。
通过上面两步，你可以轻松地抓取到使用 HTTPS 的请求。稍加分析，就能找到微信公众号文章列表获取数据的接口，在这个地方，笔者就不再多做赘述。
获取文章的点赞与阅读数量
现在，我们很轻松地就把 CSDN 好几年的文章爬了下来。但是要想拿到文章的阅读、点赞数，还需要去分析获取这两个数据的请求。经过仔细的分析，单从接口上来说，是可以获取到阅读、点赞数，但是获取这两项数据的请求，是微信客户端发的，上行参数中进行了签名和文章唯一 ID 的生成，找不到对应的生成算法。所以，此路不通。
为了能拿到这两项数据，网络上有一种方式的实现，使用的是 AnyProxy + MonkeyRunner ，笔者也是采用与之类似的方式：
AnyProxy + ADB Shell
AnyProxy 是一个基于 Node.js 的，可供插件配置的 HTTP/HTTPS 代理服务器。和上面提到的 Charles 、 Fiddler 类似，但更加适合开发者使用。
笔者使用 ADB Shell 中的命令，来模拟点击，以自动化的形式打开微信公众号中的文章。然后在启动 AnyProxy ，使用它提供的插件配置的功能，拿到评论的数据，并写入数据库中。
var url = require("url")
module.exports = {
*beforeSendResponse(requestDetail, responseDetail)
{
try {
var pathName = url.parse(requestDetail.url).pathname
if(pathName == "/mp/getappmsgext") {
saveReadCount(requestDetail, responseDetail)
}
} catch(err) {
console.log("err")
}
}
};
数据清洗与整理
在前面拿到的文章列表与点赞和评论数据中，保存的都是网络请求的详细数据，我们需要将所需的数据从原始数据中清洗出来，并将点赞数与请论数与文章关联起来。
注： 微信公众号的文章使用的是 __biz，mid，index 三个值来唯一确定一篇文章。
读取文章列表原始数据，并解析数据。逻辑很简单，代码如下：
def insertInto(cursor, msg):
list = json.loads(msg)["list"]
for listItem in list:
if not listItem.has_key("app_msg_ext_info"):
continue
commMsgInfo = listItem["comm_msg_info"]
appMsg = listItem["app_msg_ext_info"]
addAppMsg(cursor, commMsgInfo, appMsg)
if appMsg.has_key("multi_app_msg_item_list"):
subAppMsg = appMsg["multi_app_msg_item_list"]
for subAppItem in subAppMsg:
addAppMsg(cursor, commMsgInfo, subAppItem)通过文章中的相关信息，将阅读量与点赞数量关联到同一篇文章的数据中，解析阅读量与点赞数量有代码如下：
def getCount(articId):
conn = sqlite3.connect("wechat_read_cont.db")
conn.text_factory = str
cursor = conn.cursor()
articId = articId.replace("=", "%3D")
selectSql = "select responseBody from read_cont where url = \"" + articId + "\""
cursor.execute(selectSql)
values = cursor.fetchall()
if len(values) <= 0:
return "-1", "-1"
data = values[0]
appmsgstat = json.loads(data[0])["appmsgstat"]
conn.close()
return appmsgstat["read_num"], appmsgstat["like_num"]数据分析
经过前面一系列的处理，我们需要的数据已经存入了数据库表中去了。经过艰难的爬取，数据终于到手，先来膜拜一下 10W+文章：
10W+文章阅读信息
因为是在控制台直接打印为了更好的格式化展示数据，使用了prettytable ， 数据处理的代码如下：
def getArticInfos(min, max):
conn = sqlite3.connect('wechat.db')
conn.text_factory = str
cursor = conn.cursor()
cursor.execute("select title, author, datetime, readCount from messages")
values = cursor.fetchall()
table = PrettyTable(["Title", "Author", "Time", "Read Count"])
table.align["Title"] = "l"
table.align["Author"] = "l"
table.padding_width = 1
totalCount = 0
for item in values:
readCount = int(item[3], 10)
if readCount >= min and readCount < max:
table.add_row([str(item[0]), str(item[1]), str(item[2]), str(item[3])])
totalCount += 1
print table
print "Total Count:" + str(totalCount)
conn.close()
if __name__ == '__main__':
getArticInfos(100001, 100002)10W+ 已经成为了微信公众号文章的重要指标。在一个用户总量并不是很大的程序员圈子里面。产出如此多的 10W+ 文章，真的是行业翘楚啊。
听小道消息说，CSDN 是 2017 年下半年才着重开始运营公众号，恰巧，爬取的数据有 CSDN 全量文章数据，总计 6000 篇，所以我们可以对比看看 CSDN 公众号产出的文章数量：
历年文章数量
从上图可以看出，2018 年 CSDN 公众号差不多产出 2000 篇文章，平均每天产出至少 6 篇文章。不得不说，一个专业的技术媒体，他的实力是不容小看的。当然，CSDN 的编辑大大们，也辛苦了。感谢你们为我们贡献了如此多的知识内容。
回过头来，再来看一下从 2017 年到 2018 年，数据的增长趋势是什么样子的。如下图：
每月发表文章数
从上图可以看到从 2017 年 9 月份开始，文章总数开始增加，甚至出现直接翻倍的情况，说明 CSDN 开始投入人力资源运营公众号，2018 年春节，文章数量略有减少，年后文章数量开始增多，最多的时候，一个月产出了 236 篇文章，真是佩服得五体投地。
2018 年都已经结束，CSDN 都发表了 2000 篇左右的文章。这些文章都有些什么内容？拿到标题，使用“Jieba”分词，制作词云图，如下图所示：
词云
我们可以明确地看到，随着 AlphaGo 横空出世，机器学习、人工智能在技术领域崛起，未来已来深入人心。机器学习让 Python 这门编程语言在更多的开发者面前展现出来，从图中也可以看到，Python 在 CSDN 的文章中出现频率也非常高，CSDN 深度为千万开发者解析，想开发者所想，手动为他们点赞。
不仅如此，不管是正面的科技大佬 "马云"、“马化腾”，还是负面的科技大佬“贾跃亭”等都频繁地出现在我们的视野中，CSDN 的小姐姐们也在第一时间为我们提供科技界的新闻趣事。
2019 年刚刚开始。准备好迎接新的一年了吗？没准备好也没关系，反正 2019 年都会来的。
最后为所有小伙伴们送上一句至理名言：
我 2019 年的目标就是搞定 2018 年那些原定于 2017 年完成的安排，不为别的，只为兑现我 2016 年时要完成的 2015 年年度计划的诺言。
图片来源：表情说说，发布者：Hey.M
One more thing...
最后的最后，为了感谢广大陪伴 CSDN 一起前行的读者朋友们。本次 CSDN 联合博文视点，为大家送出 5 类总计 10 本的高评分科技图书。
在本文评论区留言点赞最高的前十名，即可获得一本科技图书（随机发货哦），开奖时间为 1 月 1 日下午 17:00 整，喜欢就赶快留言吧！
本书作者老钱在使用 Redis 上积累了丰富的实战经验，可以帮助更多后端开发者更快、更深入地掌握 Redis 技能，还能帮助读者更轻松地通过技术面试，进入心仪企业。
Netty 将Java NIO 接口封装，提供了全异步编程方式，是各大 Java 项目的网络应用开发必备神器。
本书作者是国内 Netty 技术的先行者和布道者，本书是他继《Netty木又威指南》之后的又一力作。
然后以通俗易懂的语言讲解双指针、哈希、深度优先、广度优先、回溯、贪心、动态规划和至短路径等经典算法。
热 文 推 荐
☞ 董明珠：格力绝不裁员；腾讯缺席首批游戏版号；iPhone XS Max 口袋自燃 | 极客头条
☞ 下一次 IT 变革：边缘计算（Edge computing）
☞ 年度重磅：《AI聚变：2018年优秀AI应用案例TOP 20》正式发布
print_r('点个好看吧！');
var_dump('点个好看吧！');
NSLog(@"点个好看吧！");
System.out.println("点个好看吧！");
console.log("点个好看吧！");
print("点个好看吧！");
printf("点个好看吧！\n");
cout << "点个好看吧！" << endl;
Console.WriteLine("点个好看吧！");
fmt.Println("点个好看吧！");
Response.Write("点个好看吧！");
alert("点个好看吧！")
echo "点个好看吧！"