wechat-article-extractor

WeChat Article Extractor

從微信公眾號文章中擷取中繼資料與內容。

功能

• 解析微信文章網址（mp.weixin.qq.com）
• 擷取文章中繼資料：標題、作者、描述、發布時間
• 擷取帳號資訊：名稱、頭像、別名、描述
• 取得文章內容（HTML）
• 取得封面圖網址
• 支援多種文章類型：圖文、影片、圖片、語音、純文字、轉載
• 處理各種錯誤情況：內容已刪除、連結過期、存取限制

使用方式

從網址基本擷取

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

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

從 HTML 擷取

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

選項

const result = await extract(url, {
  shouldReturnContent: true,      // 回傳 HTML 內容（預設：true）
  shouldReturnRawMeta: false,     // 回傳原始中繼資料（預設：false）
  shouldFollowTransferLink: true, // 跟隨已遷移帳號的連結（預設：true）
  shouldExtractMpLinks: false,    // 擷取內嵌的 mp.weixin 連結（預設：false）
  shouldExtractTags: false,       // 擷取文章標籤（預設：false）
  shouldExtractRepostMeta: false  // 擷取轉載來源資訊（預設：false）
});

回傳格式

成功回傳

{
  done: true,
  code: 0,
  data: {
    // 帳號資訊
    account_name: "公眾號名稱",
    account_alias: "微信號",
    account_avatar: "頭像URL",
    account_description: "功能介紹",
    account_id: "原始ID",
    account_biz: "biz參數",
    account_biz_number: 1234567890,
    account_qr_code: "QR Code URL",

    // 文章資訊
    msg_title: "文章標題",
    msg_desc: "文章摘要",
    msg_content: "HTML內容",
    msg_cover: "封面圖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",

    // 連結參數
    msg_link: "文章連結",
    msg_source_url: "閱讀原文連結",
    msg_sn: "sn參數",
    msg_mid: 1234567890,
    msg_idx: 1
  }
}

錯誤回傳

{
  done: false,
  code: 1001,
  msg: "無法取得文章資訊"
}

錯誤碼

代碼	訊息	說明
1000	文章取得失敗	一般失敗
1001	無法取得文章資訊	缺少標題或發布時間
1002	請求失敗	HTTP 請求失敗
1003	回應為空	空回應
1004	存取過於頻繁	速率限制
1005	腳本解析失敗	腳本解析錯誤
1006	公眾號已遷移	帳號已遷移
2001	請提供文章內容或連結	缺少輸入
2002	連結已過期	連結過期
2003	內容涉嫌侵權	內容因版權被移除
2004	無法取得遷移後的連結	遷移連結失敗
2005	內容已被發布者刪除	作者刪除內容
2006	內容因違規無法檢視	內容被封鎖
2007	內容傳送失敗	傳送失敗
2008	系統出錯	系統錯誤
2009	不支援的連結	不支援的網址
2010	內容取得失敗	內容擷取失敗
2011	涉嫌過度行銷	行銷/垃圾內容
2012	帳號已被封鎖	帳號被封鎖
2013	帳號已自主登出	帳號已刪除
2014	內容被投訴	內容被檢舉
2015	帳號處於遷移流程中	帳號遷移中
2016	冒名侵權	冒充他人

相依套件

所需的 npm 套件：

• cheerio - HTML 解析
• dayjs - 日期格式化
• request-promise - HTTP 請求
• qs - 查詢字串解析
• lodash.unescape - HTML 實體解碼

備註

• 處理各種微信頁面結構與反爬機制
• 自動從頁面內容偵測文章類型
• 支援從搜狗微信搜尋結果（weixin.sogou.com）擷取
• 部分欄位可能為 null，取決於文章類型與頁面結構