Weidu

微读 · weidu | 公众号文章读取工坊

工坊规矩 微信反爬不是一面墙，是一堆陷阱。每一层（Jina、WebFetch、Invoke-WebRequest）都会"看起来工作"——返回 200、给你点东西——但内容是错的（验证码页、乱码、空壳）。只信原始字节 + 自己解码，别信任何中间层的"它帮你解码好了"。

接活：用户给的输入

• 链接形如 https://mp.weixin.qq.com/s/<id> —— 直接读
• 链接 + 任务：「读这个 + 摘要 / 提取观点 / 翻译 / 对比另一篇」—— 先读再做任务
• 多个链接：批量处理，但每两次 fetch 之间 Start-Sleep -Seconds 2 防风控

班规总纲

• 先抓原始字节，再解码。任何"看起来工作但内容错"的中间层（PowerShell Invoke-WebRequest、Jina）都不能信。
• 双容器都试，不假设。js_content 在就用，不在就找 content_noencode——不要根据公众号名字猜。
• 元数据缺失就说缺失，不编。新版沉浸式文章 nickname / ct 大概率拿不到，老实写"作者未知"。
• chars=0 不是成功。如果两个容器都没匹配上，提取脚本必须报错退出，不能静默返回空 → 给用户假象。
• 抓下来的 HTML 留 sha8。同一篇文章不同时间抓可能不同（小幅 A/B 测试），sha8 让你后期对比能定位差异。

Step 1：原始字节下载（PowerShell）

$url = "<wx-url>"
$out = "$env:TEMP\wx_raw.html"

$req = [System.Net.HttpWebRequest]::Create($url)
$req.UserAgent = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/131.0.0.0 Safari/537.36"
$req.Headers.Add("Accept-Language","zh-CN,zh;q=0.9")
$req.Timeout = 30000

$resp = $req.GetResponse()
$ms = New-Object System.IO.MemoryStream
$resp.GetResponseStream().CopyTo($ms)
[System.IO.File]::WriteAllBytes($out, $ms.ToArray())
$resp.Close()

"len=" + $ms.Length
"sha8=" + (Get-FileHash $out -Algorithm SHA256).Hash.Substring(0,8)

为什么必须这样：Invoke-WebRequest 内部对 response body 做编码推断时，会把 UTF-8 字节按系统码页（中文 Windows = GBK / cp936）解码——所有中文字符变乱码。HttpWebRequest + WriteAllBytes 走原始字节路径，由后续 Python 按 UTF-8 解码，干净。

Step 2：判断容器类型

抓下来先看是旧版还是新版：

$h = [System.IO.File]::ReadAllText("$env:TEMP\wx_raw.html", [System.Text.Encoding]::UTF8)
"js_content present? " + $h.Contains('id="js_content"')
"content_noencode present? " + $h.Contains('content_noencode:')

两个都可能同时存在——以 js_content 优先（更结构化）。

Step 3：双容器提取（Python）

import re, html, sys, io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')

with open(r"<path-to-html>", encoding="utf-8") as f:
    h = f.read()

def find_meta(name):
    m = re.search(r'<meta[^>]+(?:property|name)="' + name + r'"[^>]+content="([^"]*)"', h)
    return html.unescape(m.group(1)) if m else None

title = find_meta("og:title")

# 路径 A：旧版 js_content（优先）
m = re.search(r'<div[^>]*id="js_content"[^>]*>(.*?)</div>\s*<script', h, re.S)
body_html = ""

if m:
    body_html = m.group(1)
else:
    # 路径 B：新版 content_noencode JS string
    i = h.find("content_noencode:")
    if i > 0:
        i = h.find("'", i)
        j = i + 1
        buf = []
        while j < len(h):
            c = h[j]
            if c == "\\" and j + 1 < len(h):
                nx = h[j+1]
                if nx == "x" and j + 3 < len(h):
                    buf.append(chr(int(h[j+2:j+4], 16))); j += 4; continue
                if nx == "u" and j + 5 < len(h):
                    buf.append(chr(int(h[j+2:j+6], 16))); j += 6; continue
                buf.append({'n':'\n','t':'\t','r':'\r',"'":"'",'"':'"','':'','/':'/'}.get(nx, nx))
                j += 2; continue
            if c == "'":
                break
            buf.append(c); j += 1
        body_html = "".join(buf)

# 班规：chars=0 不是成功
assert body_html, "FATAL: 两个容器都没匹配上——可能是新版变体或反爬命中"

# 去标签
body = re.sub(r'<br[^>]*>', '\n', body_html)
body = re.sub(r'</p>', '\n\n', body)
body = re.sub(r'</(h[1-6]|li|blockquote|section|div)>', '\n', body)
body = re.sub(r'<style[^>]*>.*?</style>', '', body, flags=re.S)
body = re.sub(r'<script[^>]*>.*?</script>', '', body, flags=re.S)
body = re.sub(r'<[^>]+>', '', body)
body = html.unescape(body)
body = re.sub(r'\n{3,}', '\n\n', body).strip()

print(f"TITLE: {title}")
print(f"chars: {len(body)}")

元数据提取

新版沉浸式文章 nickname / ct 大概率拿不到——老实写"作者未知 / 时间未知"，不要编。

已知陷阱

• ❌ 只看 js_content 容器 → 新版沉浸式文章一律 0 字符正文
• ❌ Python urllib.request 直请 → 微信检测后返回反爬页（无浏览器 UA + Accept-Language）
• ❌ Invoke-WebRequest -OutFile → 同样存在编码推断问题
• ❌ 假设 content_noencode 是 JSON 编码 → 实际是 JS string 转义（\x0a 不是 \n）
• ❌ 静默返回空正文 → 给用户假象，下游任务全错
• ⚠️ 连续抓多篇 IP 易被风控 → Start-Sleep -Seconds 2 间隔
• ⚠️ 部分文章正文段落是图片 → <img> 标签里只有图片 URL，需单独提 data-src 走 OCR 或 vision
• ⚠️ 个别公众号会做"会员可见"折叠 → 抓到的只是开头部分，要在班规里向用户报告

实测案例

完整案例见 examples/ 目录：

• appso-fable5-pingti.md — APPSO（旧版 js_content）
• zhoutian-claude-songkou.md — 周天财经（新版 content_noencode）

两个版本一份脚本兜底，跑通。

一句话出师证书

微信公众号文章读取的核心不是"用什么工具"，是"信哪一层"。只信原始字节 + 你自己写的解码逻辑——Invoke-WebRequest 给你 GBK 乱码、Jina 给你验证码页、js_content 在新版文章里压根不存在。

发现日期：2026-06-16 · 打磨日期：2026-06-17（按鲁班 Skill v1.0 思路）