WeChat 文章提取器

从微信公众号文章中提取元数据与正文内容。

功能特性

• 解析 WeChat 文章 URL（mp.weixin.qq.com）
• 提取文章元数据：标题、作者、摘要、发布时间
• 提取公众号信息：名称、头像、微信号、功能介绍
• 获取文章正文内容（HTML 格式）
• 获取封面图 URL
• 支持多种文章类型：post、video、image、voice、text、repost
• 处理各类异常情况：内容已被删除、链接已过期、访问频率受限等

使用方法

基于 URL 的基础提取

const { extract } = require('./scripts/extract.js');

const result = await extract('https://mp.weixin.qq.com/s?__biz=...');
// 返回：{ done: true, code: 0, data: {...} }

基于 HTML 字符串的提取

const html = await fetch(url).then(r => r.text());
const result = await extract(html, { url: sourceUrl });

配置选项

const result = await extract(url, {
  shouldReturnContent: true,      // 返回 HTML 正文内容（默认：true）
  shouldReturnRawMeta: false,     // 返回原始元数据（默认：false）
  shouldFollowTransferLink: true, // 跟随迁移后的公众号链接（默认：true）
  shouldExtractMpLinks: false,    // 提取嵌入的 mp.weixin 链接（默认：false）
  shouldExtractTags: false,       // 提取文章标签（默认：false）
  shouldExtractRepostMeta: false  // 提取转发来源信息（默认：false）
});

响应格式

成功响应

{
  done: true,
  code: 0,
  data: {
    // 公众号信息
    account_name: "公众号名称",
    account_alias: "微信号",
    account_avatar: "头像URL",
    account_description: "功能介绍",
    account_id: "原始ID",
    account_biz: "biz参数",
    account_biz_number: 1234567890,
    account_qr_code: "二维码URL",

    // 文章信息
    msg_title: "文章标题",
    msg_desc: "文章摘要",
    msg_content: "HTML内容",
    msg_cover: "封面图URL",
    msg_author: "作者",
    msg_type: "post", // post|video|image|voice|text|repost
    msg_has_copyright: true,
    msg_publish_time: Date,
    msg_publish_time_str: "2024/01/15 10:30:00",

    // 链接参数
    msg_link: "文章链接",
    msg_source_url: "阅读原文链接",
    msg_sn: "sn参数",
    msg_mid: 1234567890,
    msg_idx: 1
  }
}

错误响应

{
  done: false,
  code: 1001,
  msg: "无法获取文章信息"
}

错误码说明

依赖项

所需 npm 包：

• cheerio — HTML 解析
• dayjs — 日期格式化
• request-promise — HTTP 请求
• qs — 查询字符串解析
• lodash.unescape — HTML 实体解码

注意事项

• 兼容多种微信页面结构及反爬机制
• 自动根据页面内容识别文章类型
• 支持从搜狗微信搜索结果页（weixin.sogou.com）中提取
• 部分字段可能为 null，取决于文章类型与页面结构