通過搜狗搜索采集公眾號(hào)歷史消息有幾個(gè)問題：
1、有驗(yàn)證碼；
2、歷史消息列表只有最近10條群發(fā)內(nèi)容；
3、文章地址是有有效期的；
4、據(jù)說批量采集還要換ip；
通過我前面文章的方法就沒有這些問題，雖然采集系統(tǒng)搭建不如傳統(tǒng)采集器寫個(gè)規(guī)則去爬就可以了那么簡(jiǎn)單。但是一次搭建好之后批量采集的效率還是可以的。而且采集的文章地址是永久有效的，并且可以采集到一個(gè)公眾號(hào)所有的歷史消息。
我們還是從一個(gè)公眾號(hào)文章的鏈接地址開始看：
1、從微信右上角菜單復(fù)制到的鏈接地址：
http://mp.weixin.qq.com/s/fF34bERZ0je_8RWEJjoZ5A
2、歷史消息列表中獲取到的地址：
http://mp.weixin.qq.com/s?__biz=MjM5NDAwMTA2MA==&mid=2695729619&idx=1&sn=8be0b6bd0210cee0d492ebdf20f7371f&chksm=83d74818b4a0c10ef286b33bb7deb73226125f866ddb5b2781166066a69afef3705eabdb3b85&scene=4#wechat_redirect
3、完整的真實(shí)地址：
https://mp.weixin.qq.com/s?__biz=MjM5NDAwMTA2MA==&mid=2695729619&idx=1&sn=8be0b6bd0210cee0d492ebdf20f7371f&chksm=83d74818b4a0c10ef286b33bb7deb73226125f866ddb5b2781166066a69afef3705eabdb3b85&scene=37&key=c81d77271180a0e6ce32be2d9dcaa2a7436aeba2c1d47a20d02194d1c944a8286a8eded93495eeadd05da412bbfaa638a379750aeaa4cf5c00e4d7851c5710d9b9736b80e3c72770a57a515c23ff2400&ascene=3&uin=MzUyOTIyNQ%3D%3D&devicetype=iOS10.1.1&version=16050120&nettype=WIFI&fontScale=100&pass_ticket=FGRyGfXLPEa4AeOsIZu7KFJo6CiXOZex83Y5YBRglW4%3D&wx_header=1
以上這3個(gè)地址是同一篇文章的地址，在不同位置獲取到就得到了完全不同的3個(gè)結(jié)果。
和歷史消息頁一樣，微信有一套自動(dòng)補(bǔ)充參數(shù)的機(jī)制。第一個(gè)地址是復(fù)制鏈接得到的，看起來是一個(gè)偽裝的編碼。其實(shí)沒什么用我們不做考慮了。第二個(gè)地址是通過前面文章介紹的方法，從歷史消息的json文章列表中獲得到的鏈接地址，我們就是可以將這個(gè)地址保存到數(shù)據(jù)庫(kù)中。之后就可以通過這個(gè)地址從服務(wù)器獲取到文章內(nèi)容。而第三個(gè)鏈接補(bǔ)充了參數(shù)之后，目的是為了讓文章頁面中的閱讀量js可以獲取到閱讀量點(diǎn)贊量的json結(jié)果而加上的參數(shù)。我們前面文章的方法中因?yàn)槲恼马撁姹豢蛻舳舜蜷_顯示了出來，因?yàn)橛辛诉@些參數(shù)，文章頁面中的js就去自動(dòng)獲取閱讀量了，所以我們才能通過代理服務(wù)獲取到這篇文章的閱讀量。
這篇文章的內(nèi)容就是以通過本專欄前面文章介紹的方法已經(jīng)獲取到了大量微信文章的基礎(chǔ)上，詳細(xì)研究如何獲取到文章內(nèi)容和其它一些有用的信息的方法。
（我的數(shù)據(jù)庫(kù)中保存的文章列表，一部分字段）
1、獲取文章源代碼：
通過php的函數(shù)file_get_content()就可以將文章源代碼讀取到變量中。微信文章的源代碼因?yàn)榭梢詮臑g覽器中打開所以我就不在這里粘貼了，以免浪費(fèi)頁面空間。
<? //$content_url 變量的值為文章地址 $html = file_get_contents($content_url); ?>
2、源代碼中有用的信息：
1）原文內(nèi)容：
原文內(nèi)容是包含在一個(gè)<div id='js_content'></div>標(biāo)簽中的，通過php代碼獲?。?/p>
<?
preg_match_all("/id=\"js_content\">(.*)<script/iUs",$html,$content,PREG_PATTERN_ORDER);
$content = "<div id='js_content'>".$content[1][0];
?>
正則的開頭識(shí)別<div id='js_content'>，結(jié)尾識(shí)別<script/iUs，匹配到之后前面再補(bǔ)充一個(gè)<div id='js_content'>；我的正則匹配水平有限，只能寫成這樣的了。希望有高人能指點(diǎn)更好的正則匹配方法。
另外注意：這個(gè)匹配規(guī)則會(huì)可能在一段時(shí)間之后有變化。這篇文章會(huì)盡量保持更新。如果你根據(jù)我的文章制作了采集系統(tǒng)之后，當(dāng)某一天失效了，別忘了回來再看看文章是否有更新。
2）內(nèi)容處理：
通過上面的方法我們獲得了文章內(nèi)容的html，但是你將文章內(nèi)容顯示出來之后就會(huì)發(fā)現(xiàn)，圖片和視頻不能正常顯示。因?yàn)檫@個(gè)html還需要一些加工：
首先是圖片，微信文章中的<img>標(biāo)簽中的src屬性全部都用了src屬性代替。只有在顯示的時(shí)候才會(huì)被替換過來。所以我們也有兩個(gè)方案，將源代碼直接替換過來，或者用js在顯示時(shí)候再替換。下面我先介紹直接替換html的方法：
<?
//$content變量的值是前面獲取到的文章內(nèi)容html
$content = str_replace("src","src",$content);
?>