为什么80%的码农都做不了架构师？>>> 
Author: Hoyho Luo
Email: luohaihao@gmail.com
Source Url:http://here2say.me/11/
转载请保留此出处
本文介绍基于搜狗的微信公众号定向爬虫，使用C#实现，故取名WeGouSharp。本文中的项目托管在Github上，你可以戳WeGouSharp获取源码，欢迎点星。关于微信公共号爬虫的项目网上已经不少，然而基本大多数的都是使用Python实现 鉴于鄙人是名.NET开发人员，于是又为广大微软系同胞创建了这个轮子，使用C#实现的微信爬虫 蓝本为Chyroc/WechatSogou， 在此还请各位大佬指教。
目录
1.项目结构
2.数据结构
3.xpath介绍
4.使用HtmlAgilityPack解析网页内容
5.验证码处理以及文件缓存
一、 项目结构
如下图
API类：
所有直接的操作封装好在API类中,直接使用里面的方法
Basic类:
主要处理逻辑
FileCache：
主要出现验证码的时候需要使用Ccokie验证身份，此类可以加密后序列化保存UIN,BIZ,COOKIE等内容以供后续使用
HttpHelper类：
网络请求，包括图片
Tools类：
图片处理，cookie加载等
依赖包可以直接使用package文件夹的版本
也可以自行在NuGet添加 如(visual studio-->tools-->Nuget Package Manager-->Package Manager Console)：
Install-Package HtmlAgilityPack
二、 数据结构
本项目根据微信公账号以及搜狗搜索定义了多个结构，可以查看模型类，主要包括以下：
公众号结构：
public struct OfficialAccount{public string AccountPageurl;public string WeChatId;public string Name;public string Introduction;public bool IsAuth; public string QrCode;public string ProfilePicture;//public string RecentArticleUrl;} 字段含义
| 字段 | 含义 |
|---|---|
| AccountPageurl | 微信公众号页 |
| WeChatId | 公号ID（唯一) |
| Name | 名称 |
| Introduction | 介绍 |
| IsAuth | 是否官方认证 |
| QrCode | 二维码链接 |
| ProfilePicture | 头像链接 |
公号群发消息结构(含图文推送)
public struct BatchMessage{public int Meaasgeid;public string SendDate;public string Type; //49:图文，1:文字，3:图片，34:音频，62:视频public string Content; public string ImageUrl; public string PlayLength;public int FileId;public string AudioSrc;//for type 图文public string ContentUrl;public int Main;public string Title;public string Digest;public string SourceUrl;public string Cover;public string Author;public string CopyrightStat;//for type 视频public string CdnVideoId;public string Thumb;public string VideoSrc;//others}字段含义
| 字段 | 含义 |
|---|---|
| Meaasgeid | 消息号 |
| SendDate | 发出时间（unix时间戳） |
| Type | 消息类型:49:图文， 1:文字， 3:图片， 34:音频， 62:视频 |
| Content | 文本内容（针对类型1即文字） |
| ImageUrl | 图片（针对类型3，即图片） |
| PlayLength | 播放长度（针对类型34，即音频，下同） |
| FileId | 音频文件id |
| AudioSrc | 音频源 |
| ContentUrl | 文章来源（针对类型49，即图文，下同） |
| Main | 不明确 |
| Title | 文章标题 |
| Digest | 不明确 |
| SourceUrl | 可能是阅读原文 |
| Cover | 封面图 |
| Author | 作者 |
| CopyrightStat | 可能是否原创？ |
| CdnVideoId | 视频id（针对类型62，即视频，下同） |
| Thumb | 视频缩略图 |
| VideoSrc | 视频链接 |
文章结构
public struct Article{public string Url;public List<string>Imgs;public string Title;public string Brief;public string Time;public string ArticleListUrl;public OfficialAccount officialAccount;}字段含义
| 字段 | 含义 |
|---|---|
| Url | 文章链接 |
| Imgs | 封面图（可能多个） |
| Title | 文章标题 |
| Brief | 简介 |
| Time | 发表日期（unix时间戳） |
| OfficialAccount | 关联的公众号（信息不全，仅供参考） |
搜索榜结构
public struct HotWord{public int Rank;//排行public string Word;public string JumpLink; //相关链接public int HotDegree; //热度}
三 、xpath介绍
什么是 XPath?
- XPath 使用路径表达式在 XML 文档中进行导航
- XPath 包含一个标准函数库
- XPath 是 XSLT 中的主要元素
- XPath 是一个 W3C 标准
简而言之，Xpath是XML元素的位置,下面是W3C教程时间，老鸟直接跳过
XML 实例文档
我们将在下面的例子中使用这个 XML 文档。
<?xml version="1.0" encoding="ISO-8859-1"?><bookstore><book><title lang="eng">Harry Potter</title><price>29.99</price>
</book><book><title lang="eng">Learning XML</title><price>39.95</price>
</book></bookstore>
选取节点
XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。
下面列出了最有用的路径表达式：
| 表达式 | 描述 |
|---|---|
| nodename | 选取此节点的所有子节点。 |
| / | 从根节点选取。 |
| // | 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。 |
| . | 选取当前节点。 |
| .. | 选取当前节点的父节点。 |
| @ | 选取属性。 |
实例
在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：
| 路径表达式 | 结果 |
|---|---|
| bookstore | 选取 bookstore 元素的所有子节点。 |
| /bookstore | 选取根元素 bookstore。 注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！ |
| bookstore/book | 选取属于 bookstore 的子元素的所有 book 元素。 |
| //book | 选取所有 book 子元素，而不管它们在文档中的位置。 |
| bookstore//book | 选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。 |
| //@lang | 选取名为 lang 的所有属性。 |
谓语（Predicates）
谓语用来查找某个特定的节点或者包含某个指定的值的节点。
谓语被嵌在方括号中。
实例
在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：
| 路径表达式 | 结果 |
|---|---|
| /bookstore/book[1] | 选取属于 bookstore 子元素的第一个 book 元素。 |
| /bookstore/book[last()] | 选取属于 bookstore 子元素的最后一个 book 元素。 |
| /bookstore/book[last()-1] | 选取属于 bookstore 子元素的倒数第二个 book 元素。 |
| /bookstore/book[position()<3] | 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。 |
| //title[@lang] | 选取所有拥有名为 lang 的属性的 title 元素。 |
| //title[@lang='eng'] | 选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。 |
| /bookstore/book[price>35.00] | 选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。 |
| /bookstore/book[price>35.00]/title | 选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。 |
选取未知节点
XPath 通配符可用来选取未知的 XML 元素。
| 通配符 | 描述 |
|---|---|
| * | 匹配任何元素节点。 |
| @* | 匹配任何属性节点。 |
| node() | 匹配任何类型的节点。 |
实例
在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：
| 路径表达式 | 结果 |
|---|---|
| /bookstore/* | 选取 bookstore 元素的所有子元素。 |
| //* | 选取文档中的所有元素。 |
| //title[@*] | 选取所有带有属性的 title 元素。 来源： http://www.w3school.com.cn/xpath/xpath_syntax.asp |
如图，假设我要抓取首页一个banner图，可以在chrome按下F12参考该元素的Xpath，
即该图片对应的Xpth为: //*[@id="loginWrap"]/div[4]/div[1]/div[1]/div/a[4]/img
解读：该图片位于ID= loginWrap下面的第4个div下的...的img标签内
为什么这里介绍Xpath，是因为我们网页分析是使用HtmlAgilityPack来解析,他可以把根据Xpath解析我们所需的元素。
比如我们调试确定一个文章页面的特定位置为标题，图片，作者，内容，链接的Xpath即可完全批量化且准确地解析以上信息
四、 使用HtmlAgilityPack解析网页内容
Httptool类里封装了一个较多参数的HTTP GET操作,用于获取搜狗的页面：
因为搜狗本身是做搜索引擎的缘故，所以反爬虫是非常严厉的，因此HTTP GET的方法要注意携带很多参数，且不同页面要求不一样.一般地，要带上默认的referer和host 然后请求头的UserAgent 要伪造，常用的useragent有
public static List<string> _agent = new List<string>
{
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
"Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
};
自定义的GET 方法
/// <summary>/// 指定header参数的HTTP Get方法/// </summary>/// <param name="headers"></param>/// <param name="url"></param>/// <returns>respondse</returns>public string Get(WebHeaderCollection headers, string url ,string responseEncoding="UTF-8",bool isUseCookie = false){string responseText = "";try{var request = (HttpWebRequest)WebRequest.Create(url);request.Method = "GET";foreach (string key in headers.Keys){switch (key.ToLower()){case "user-agent":request.UserAgent = headers[key];break;case "referer":request.Referer = headers[key];break;case "host":request.Host = headers[key];break;case "contenttype":request.ContentType = headers[key];break;case "accept":request.Accept = headers[key];break;default:break;}}if (string.IsNullOrEmpty(request.Referer)){request.Referer = "http://weixin.sogou.com/";};if (string.IsNullOrEmpty(request.Host)){request.Host = "weixin.sogou.com";};if (string.IsNullOrEmpty(request.UserAgent)){Random r = new Random();int index = r.Next(WechatSogouBasic._agent.Count - 1);request.UserAgent = WechatSogouBasic._agent[index];}if (isUseCookie){CookieCollection cc = Tools.LoadCookieFromCache();request.CookieContainer = new CookieContainer();request.CookieContainer.Add(cc);}HttpWebResponse response = (HttpWebResponse)request.GetResponse();if (isUseCookie && response.Cookies.Count >0){var cookieCollection = response.Cookies;WechatCache cache = new WechatCache(Config.CacheDir, 3000);if (!cache.Add("cookieCollection", cookieCollection, 3000)) { cache.Update("cookieCollection", cookieCollection, 3000); };}// Get the stream containing content returned by the server.Stream dataStream = response.GetResponseStream();//如果response是图片，则返回以base64方式返回图片内容，否则返回html内容if (response.Headers.Get("Content-Type") == "image/jpeg" || response.Headers.Get("Content-Type") == "image/jpg"){Image img = Image.FromStream(dataStream, true);using (MemoryStream ms = new MemoryStream()){// Convert Image to byte[]//img.Save("myfile.jpg");img.Save(ms,System.Drawing.Imaging.ImageFormat.Jpeg);byte[] imageBytes = ms.ToArray();// Convert byte[] to Base64 Stringstring base64String = Convert.ToBase64String(imageBytes);responseText = base64String;}}else //read response string{// Open the stream using a StreamReader for easy access.Encoding encoding;switch (responseEncoding.ToLower()){case "utf-8":encoding = Encoding.UTF8;break;case "unicode":encoding = Encoding.Unicode;break;case "ascii":encoding = Encoding.ASCII;break;default:encoding = Encoding.Default;break;}StreamReader reader = new StreamReader(dataStream, encoding);//System.Text.Encoding.Default// Read the content.if (response.StatusCode == HttpStatusCode.OK){responseText = reader.ReadToEnd();if (responseText.Contains("用户您好，您的访问过于频繁，为确认本次访问为正常用户行为，需要您协助验证")){_vcode_url = url;throw new Exception("weixin.sogou.com verification code");}}else{logger.Error("requests status_code error" + response.StatusCode);throw new Exception("requests status_code error");}reader.Close();}dataStream.Close();response.Close();}catch (Exception e){logger.Error(e);}return responseText;}
前面关于Xpath废话太多，直接上一个实例，解析公众号页面：
public List<OfficialAccount> SearchOfficialAccount(string keyword, int page = 1){List<OfficialAccount> accountList = new List<OfficialAccount>();string text = this._SearchAccount_Html(keyword, page);//返回了一个搜索页面的html代码HtmlDocument pageDoc = new HtmlDocument();pageDoc.LoadHtml(text);HtmlNodeCollection targetArea = pageDoc.DocumentNode.SelectNodes("//ul[@class='news-list2']/li");if (targetArea != null){foreach (HtmlNode node in targetArea){try{OfficialAccount accountInfo = new OfficialAccount();//链接中包含了& html编码符，要用htmdecode，不是urldecodeaccountInfo.AccountPageurl = WebUtility.HtmlDecode(node.SelectSingleNode("div/div[@class='img-box']/a").GetAttributeValue("href", ""));//accountInfo.ProfilePicture = node.SelectSingleNode("div/div[1]/a/img").InnerHtml;accountInfo.ProfilePicture = WebUtility.HtmlDecode(node.SelectSingleNode("div/div[@class='img-box']/a/img").GetAttributeValue("src", ""));accountInfo.Name = node.SelectSingleNode("div/div[2]/p[1]").InnerText.Trim().Replace("<!--red_beg-->", "").Replace("<!--red_end-->", "");accountInfo.WeChatId = node.SelectSingleNode("div/div[2]/p[2]/label").InnerText.Trim();accountInfo.QrCode = WebUtility.HtmlDecode(node.SelectSingleNode("div/div[3]/span/img").GetAttributeValue("src", ""));accountInfo.Introduction = node.SelectSingleNode("dl[1]/dd").InnerText.Trim().Replace("<!--red_beg-->","").Replace("<!--red_end-->", "");//早期的账号认证和后期的认证显示不一样？，对比 bitsea 和 NUAA_1952 两个账号//现在改为包含该script的即认证了if (node.InnerText.Contains("document.write(authname('2'))")){accountInfo.IsAuth = true;}else{accountInfo.IsAuth = false;}accountList.Add(accountInfo);}catch (Exception e){logger.Warn(e);}}}return accountList; }以上，说白了，解析就是Xpath调试，关键是看目标内容是是元素标签内容，还是标签属性，
如果是标签内容即形式为 <h>我是内容</h>
则： node.SelectSingleNode("div/div[2]/p[2]/label").InnerText.Trim();
如果要提取的目标内容是标签属性，如 <a href="/im_target_url.htm" >点击链接</a>
则node.SelectSingleNode("div/div[@class='img-box']/a").GetAttributeValue("href", "")
其他同理
五 、验证码处理以及文件缓存
公众号的主页(示例广州大学公众号https://mp.weixin.qq.com/profile?src=3×tamp=1505923231&ver=1&signature=gWXdb*Jzt1oByDAzW5aTzEWnXo6mkUwg3Ynjm3CYvKV0kdCLxALBR7JJ-EheLBI-v6UcocJqGmPbUY2KMXuSsg==)因为页面是属于微信的，发爬虫非常严格，因此多次刷新容易产生要输入验证码的页面
多次刷新此页面会出现验证码
此时要向一个网址post验证码才可以解封
解封操作如下
/// <summary>/// 页面出现验证码，输入才能继续,此验证依赖cookie, 获取验证码的requset有个cookie，每次不同，需要在post验证码的时候带上/// </summary>/// <returns></returns>public bool VerifyCodeForContinute(string url ,bool isUseOCR){bool isSuccess = false;logger.Debug("vcode appear, use VerifyCodeForContinute()");DateTime Epoch = new DateTime(1970, 1, 1,0,0,0,0);var timeStamp17 = (DateTime.UtcNow - Epoch).TotalMilliseconds.ToString("R"); //get timestamp with 17 bitstring codeurl = "https://mp.weixin.qq.com/mp/verifycode?cert=" + timeStamp17;WebHeaderCollection headers = new WebHeaderCollection();var content = this.Get(headers, codeurl,"UTF-8",true);ShowImageHandle showImageHandle = new ShowImageHandle(DisplayImageFromBase64);showImageHandle.BeginInvoke(content, null, null);Console.WriteLine("请输入验证码：");string verifyCode = Console.ReadLine();string postURL = "https://mp.weixin.qq.com/mp/verifycode";timeStamp17 = (DateTime.UtcNow - Epoch).TotalMilliseconds.ToString("R"); //get timestamp with 17 bitstring postData = string.Format("cert={0}&input={1}",timeStamp17,verifyCode );// "{" + string.Format(@"'cert':'{0}','input':'{1}'", timeStamp17, verifyCode) + "}";headers.Add("Host", "mp.weixin.qq.com");headers.Add("Referer", url);string remsg = this.Post(postURL, headers, postData,true);try{JObject jo = JObject.Parse(remsg);//把json字符串转化为json对象 int statusCode = (int)jo.GetValue("ret");if (statusCode == 0){isSuccess = true;}else{logger.Error("cannot unblock because " + jo.GetValue("msg"));var vcodeException = new WechatSogouVcodeException();vcodeException.MoreInfo = "cannot jiefeng because " + jo.GetValue("msg");throw vcodeException;}}catch(Exception e){logger.Error(e);}return isSuccess;}
解释下：
先访问一个验证码产生页面，带17位时间戳
var timeStamp17 = (DateTime.UtcNow - Epoch).TotalMilliseconds.ToString("R"); //get timestamp with 17 bit
string codeurl = "https://mp.weixin.qq.com/mp/verifycode?cert=" + timeStamp17;
再向这个url query post你的验证码:
https://mp.weixin.qq.com/mp/verifycode
?cert=YourTimeStamp17bit&input= YourverifyCode
此处一个大坑，由于HttpWebRequest 默认是不带cookie也不产生的，而这样的严重是依赖cookie ，产生验证码的页面会生成一个cookie，每次不同，post验证码的时候要带上这cookie，
因此这里记得要启用HttpWebRequest cookie
如果启用了cookie，会通过FileCache类将cookie保存在缓存文件，下次请求如果开启cookie container的话就会带上此cookie
CookieCollection cc = Tools.LoadCookieFromCache();
request.CookieContainer = new CookieContainer();
request.CookieContainer.Add(cc);
六、后话
上面只是一部分，刚开始写的时候也没想到会有这么多坑，但是没办法，坑再多只能自己慢慢填了，比如OCR，第三方打码接入，多线程等等后期再实现。一个人的精力毕竟有限，相对满大街的Python爬虫，C#的爬虫性质的项目本来就不多，尽管代码写得非常粗糙，但是我选择了开放源码希望更多人参与，欢迎各位看官收藏，可以的话给个星或者提交代码
项目地址
