wechat-article-extractor

微信公众号文章提取器

从微信公众号文章中提取元数据和内容。

功能

• 解析微信公众号文章链接（mp.weixin.qq.com）
• 提取文章元数据：标题、作者、描述、发布时间
• 提取公众号信息：名称、头像、微信号、描述
• 获取文章内容（HTML）
• 获取封面图URL
• 支持多种文章类型：图文、视频、图片、语音、文本、转载
• 处理各种错误情况：内容已删除、链接过期、访问限制

使用方法

从URL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: {...} }

从HTML提取

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

选项

const result = await extract(url, {
  shouldReturnContent: true,      // 返回HTML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  // 提取转载来源信息（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

错误码	消息	描述
1000	文章获取失败	一般失败
1001	无法获取文章信息	缺少标题或发布时间
1002	请求失败	HTTP请求失败
1003	响应为空	响应为空
1004	访问过于频繁	频率限制
1005	脚本解析失败	脚本解析错误
1006	公众号已迁移	公众号已迁移
2001	请提供文章内容或链接	缺少输入
2002	链接已过期	链接已过期
2003	内容涉嫌侵权	内容因版权被删除
2004	无法获取迁移后的链接	迁移链接失败
2005	内容已被发布者删除	内容被作者删除
2006	内容因违规无法查看	内容被屏蔽
2007	内容发送失败	发送失败
2008	系统出错	系统错误
2009	不支持的链接	不支持的URL
2010	内容获取失败	内容获取失败
2011	涉嫌过度营销	营销/垃圾内容
2012	账号已被屏蔽	账号被屏蔽
2013	账号已自主注销	账号已注销
2014	内容被投诉	内容被投诉
2015	账号处于迁移流程中	账号正在迁移
2016	冒名侵权	冒名侵权

依赖

所需的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实体转义

注意事项

• 处理各种微信页面结构和反爬措施
• 自动从页面内容检测文章类型
• 支持从搜狗微信搜索结果（weixin.sogou.com）提取
• 某些字段可能为null，取决于文章类型和页面结构