WechatSogou 公众号数据采集实战：30 分钟搭建你的公众号情报监控工具

2026/8/15 12:01:09

WechatSogou 公众号数据采集实战：30 分钟搭建你的公众号情报监控工具

【免费下载链接】WechatSogou基于搜狗微信搜索的微信公众号爬虫接口项目地址: https://gitcode.com/gh_mirrors/we/WechatSogou

做内容运营、竞品分析或者行业研究的人，大概率经历过这样的崩溃时刻：想统计十来个竞品公众号的推文规律，只能打开手机一个一个翻历史消息，复制标题、记录发布时间，两小时过去，表格才填了四分之一；想追一个行业热点，却不知道哪些公众号在跟进，只能靠刷朋友圈碰运气。

别急，这个痛点有一个现成的解法。WechatSogou是一个基于搜狗微信搜索的 Python 爬虫接口，它把"搜公众号、搜文章、扒历史消息、抓热门内容、做关键词联想"这些能力封装成几十行就能调用的 API，让公众号数据采集从手动体力活变成几行代码的事。这篇文章不打算罗列文档，而是带你从零搭一个真正能用的"公众号情报监控工具"，所有功能在动手过程中自然出现——你会看到，原来两小时的活，真的可以压缩到五分钟。

开工前：把环境备好

先装依赖，一条命令搞定：

pip install wechatsogou --upgrade

这个库同时兼容 Python 2.7 和 Python 3.5+，如果你还在维护老项目也不慌。想直接看源码研究的，可以git clone https://gitcode.com/gh_mirrors/we/WechatSogou，源码目录很清爽，核心逻辑都集中在wechatsogou/api.py（对外 API）、wechatsogou/structuring.py（页面解析）、wechatsogou/request.py（请求生成）这几个文件里。

初始化接口也很灵活：

import wechatsogou # 默认直连 ws_api = wechatsogou.WechatSogouAPI() # 配置代理（requests 支持的所有参数这里都能用） ws_api = wechatsogou.WechatSogouAPI(proxies={ "http": "127.0.0.1:8888", "https": "127.0.0.1:8888", }) # 验证码输错后的重试次数，默认 1 次 ws_api = wechatsogou.WechatSogouAPI(captcha_break_time=3)

注意最后一行参数captcha_break_time，它关系到我们后面要重点讲的验证码问题，先记住它，一会儿会用到。

第一步：先弄清"搜什么"——关键词联想

做监控工具，第一步不是搜索，而是决定搜什么。比如你做教育行业，光"高考"这个词就衍生出"高考e通""高考志愿填报咨讯""高考早知道"等一堆真实公众号关键词，靠脑子想不全，但搜狗联想接口可以：

suggestions = ws_api.get_sugg('高考') for i, s in enumerate(suggestions[:5], 1): print(f"{i}. {s}")

这个get_sugg返回的是搜狗微信搜索的真实联想词列表，用来扩展你的监控关键词池再合适不过。把联想词喂给下一步的公众号搜索，就能把目标范围铺得很宽。

第二步：锁定目标——公众号搜索与档案查询

有了关键词池，接下来要把"词"变成"公众号"。

# 搜索公众号，page 控制分页，每页约 10 个结果 for gzh in ws_api.search_gzh('数据分析', page=1): print(gzh['wechat_name'], '|', gzh['wechat_id'], '|', gzh['authentication'])

每个结果都带wechat_name、wechat_id、authentication（认证主体）、introduction（简介）、post_perm（近一月群发数）等字段，足够你判断这个号值不值得盯。

如果你的目标很明确，比如公司要求盯住某个特定账号，直接用get_gzh_info拿它的完整档案：

info = ws_api.get_gzh_info('南航青年志愿者') print(info['wechat_name'], info['wechat_id'], info['authentication'])

到这里，你的"监控名单"基本成形了。下一步要解决的是：这些号最近发了什么。

第三步：扒历史消息——每个号的"最近动态"

监控竞品，最关心的就是它最近发了什么。get_gzh_article_by_history一次调用就能返回公众号资料 + 最近 10 条群发文章的完整列表：

history = ws_api.get_gzh_article_by_history('南航青年志愿者') print(history['gzh']['wechat_name'], '最近文章：') for article in history['article']: print('•', article['title'], '| 时间戳:', article['datetime'])

返回的每篇文章都带title、abstract、cover（封面）、content_url（正文链接）、copyright_stat（是否原创）等字段。这里有一个必须提前知道的平台限制：搜狗微信搜索只提供最近 10 条群发，拿不到更早的内容。解决办法也很直接——定期跑一遍脚本，把结果存进本地数据库，日积月累就是自己的完整档案。这正是"监控工具"和"手动翻手机"的本质区别：手动只能看到当下，脚本能看到趋势。

第四步：全局搜索——跨公众号找热点文章

盯完指定账号，你可能还想知道整个微信生态里，某个话题正在被哪些号讨论。search_article就是干这个的，它还支持时间范围和内容类型筛选：

from wechatsogou import WechatSogouConst # 默认搜全部时间 results = ws_api.search_article('机器学习') # 进阶：只看最近一周、含视频的文章 results = ws_api.search_article( '人工智能', timesn=WechatSogouConst.search_article_time.week, article_type=WechatSogouConst.search_article_type.video, )

search_article_time提供anytime/day/week/month/year几个档位，search_article_type有all/rich/video/image，组合起来能非常精准地定位内容。搜出来的每条记录同时包含article（文章信息）和gzh（来源公众号）两个字段，做内容聚合或趋势分析时直接就能用。

第五步：看热门——不搜索也知道现在火什么

如果你做的是内容策划，每天最头疼的问题是"今天写什么"。get_gzh_article_by_hot按分类直接给你当天的热门文章，分类常量在WechatSogouConst.hot_index里，覆盖科技、财经、美食、旅游、教育、游戏、萌宠等 20 多个方向：

tech_hot = ws_api.get_gzh_article_by_hot(WechatSogouConst.hot_index.technology) finance_hot = ws_api.get_gzh_article_by_hot(WechatSogouConst.hot_index.finance) for item in tech_hot[:3]: print(item['article']['title'], '|', item['gzh']['wechat_name'])

每天早上跑一遍热门榜，热点选题基本不愁。这一步对"情报监控"来说属于锦上添花，但它成本极低，顺手就能带上。

第六步：把文章内容存下来——别让链接过期坑了你

监控工具做到这里，还差最后一块拼图：微信文章链接是临时链接，会过期。如果你只是把content_url存进数据库，过几天再点就是"链接已过期"。

正确的做法是拿到链接后立刻用get_article_content抓正文，把内容本地化：

content = ws_api.get_article_content(article['content_url']) # content['content_html'] -> 处理后的文章正文 HTML # content['content_img_list'] -> 文章里的图片地址列表

这个方法还帮你处理了正文里的微信元素：del_qqmusic和del_mpvoice参数默认为 True，会自动移除内嵌的 QQ 音乐和语音消息，保证存下来的正文干净可读。如果你想把文章图片托管到自己的 OSS，还可以传hosting_callback回调，库会逐个图片替换成你的托管地址。

第七步：应对验证码——监控工具能不能稳，就看这里

真实跑起来后，你大概率会遇到这个情况：请求发着发着，页面跳到了"请输入验证码"。这不是 bug，而是搜狗对自动化请求的反爬机制。WechatSogou 的处理方式很成熟——把解锁流程留给你掌控。

库提供了两个层次的钩子：

identify_image_callback：只管"看图识字"。输入验证码图片二进制，输出识别文字。库内置了identify_image_callback_by_hand（弹出图片让你手动输入），你可以换成任意打码平台或 OCR 服务。
unlock_callback：接管"出现验证码到解决"的完整流程。库内置了unlock_sogou_callback_example和unlock_weixin_callback_example两个示例，搜狗和微信两个平台的解锁接口都被封装好了，照着改成自己的逻辑即可。

from wechatsogou.identify_image import identify_image_callback_by_hand # 遇到验证码时弹窗手动输入 results = ws_api.search_gzh('数据分析', identify_image_callback=identify_image_callback_by_hand)

把识别函数换成第三方 OCR 服务，配合captcha_break_time控制重试次数，监控工具就能长期稳定运行。需要提醒的是，搜狗对请求频率有隐形限制，建议在两次请求之间加 3~5 秒随机延迟，既符合规范，也减少触发验证码的概率。

组装：一个 60 行的情报监控脚本

所有零件都齐了，现在把它们组装成完整的工具。这个脚本每天帮你做三件事：扩展关键词、更新目标公众号历史文章、抓取热门榜。

import time import random import json from datetime import datetime from wechatsogou import WechatSogouAPI, WechatSogouConst ws_api = WechatSogouAPI(captcha_break_time=3) def safe_call(func, *args, **kwargs): """带随机延迟的请求包装，降低触发验证码概率""" time.sleep(random.uniform(2, 5)) return func(*args, **kwargs) def daily_report(keywords, hot_categories): report = {'date': datetime.now().strftime('%Y-%m-%d')} # 1. 用联想词扩展关键词池 expanded = set(keywords) for kw in keywords: expanded.update(safe_call(ws_api.get_sugg, kw)) # 2. 跟踪每个目标公众号的最新推文 tracked = [] for kw in expanded: try: gzh = safe_call(ws_api.get_gzh_info, kw) if gzh: history = safe_call(ws_api.get_gzh_article_by_history, gzh['wechat_id']) tracked.append({ 'name': gzh['wechat_name'], 'latest': [a['title'] for a in history['article'][:3]] }) except Exception as e: print(f'[{kw}] 采集失败: {e}') report['tracked'] = tracked # 3. 各分类热门文章标题 hot = {} for cat in hot_categories: items = safe_call(ws_api.get_gzh_article_by_hot, cat) hot[cat] = [i['article']['title'] for i in items[:5]] report['hot'] = hot with open('gzh_daily_report.json', 'w', encoding='utf-8') as f: json.dump(report, f, ensure_ascii=False, indent=2) return report if __name__ == '__main__': daily_report(['高考', '数据分析'], [WechatSogouConst.hot_index.technology, WechatSogouConst.hot_index.finance])

把这个脚本丢进 cron 或 APScheduler 定时执行，每天早上你都会得到一份 JSON 格式的公众号情报日报。相比手动的两小时，整个过程不占用你任何时间。