wechat-article-extractor

WeChat 記事抽出ツール

WeChat 公式アカウント（微信公众号）の記事からメタデータとコンテンツを抽出します。

機能

• WeChat 記事の URL（mp.weixin.qq.com）を解析
• 記事のメタデータを抽出：タイトル、著者、説明、公開時刻
• アカウント情報を抽出：名前、アバター、エイリアス、説明
• 記事コンテンツ（HTML）を取得
• カバー画像の URL を取得
• 複数の記事タイプに対応：投稿、動画、画像、音声、テキスト、転載
• 削除済みコンテンツ、期限切れリンク、アクセス制限など、さまざまなエラーケースに対応

使用方法

URL からの基本的な抽出

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

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

HTML からの抽出

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

オプション

const result = await extract(url, {
  shouldReturnContent: true,      // Return HTML content (default: true)
  shouldReturnRawMeta: false,     // Return raw metadata (default: false)
  shouldFollowTransferLink: true, // Follow migrated account links (default: true)
  shouldExtractMpLinks: false,    // Extract embedded mp.weixin links (default: false)
  shouldExtractTags: false,       // Extract article tags (default: false)
  shouldExtractRepostMeta: false  // Extract repost source info (default: false)
});

レスポンス形式

成功時のレスポンス

{
  done: true,
  code: 0,
  data: {
    // Account info
    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",

    // Article info
    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",

    // Link params
    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
  }
}

エラー時のレスポンス

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

エラーコード

コード	メッセージ	説明
1000	文章获取失败	一般的な失敗
1001	无法获取文章信息	タイトルまたは公開時刻を取得できません
1002	请求失败	HTTP リクエストに失敗しました
1003	响应为空	レスポンスが空です
1004	访问过于频繁	アクセス頻度が高すぎます
1005	脚本解析失败	スクリプトの解析に失敗しました
1006	公众号已迁移	アカウントが移行されました
2001	请提供文章内容或链接	入力がありません
2002	链接已过期	リンクの有効期限が切れています
2003	内容涉嫌侵权	コンテンツが削除されました（著作権侵害）
2004	无法获取迁移后的链接	移行後のリンクを取得できませんでした
2005	内容已被发布者删除	コンテンツが投稿者によって削除されました
2006	内容因违规无法查看	規約違反によりコンテンツを表示できません
2007	内容发送失败	コンテンツの送信に失敗しました
2008	系统出错	システムエラー
2009	不支持的链接	サポートされていない URL です
2010	内容获取失败	コンテンツの取得に失敗しました
2011	涉嫌过度营销	過度なマーケティング／スパムコンテンツ
2012	账号已被屏蔽	アカウントがブロックされました
2013	账号已自主注销	アカウントが削除されました
2014	内容被投诉	コンテンツが報告されました
2015	账号处于迁移流程中	アカウントは移行中です
2016	冒名侵权	なりすましによる権利侵害

依存関係

必須の npm パッケージ：

• cheerio - HTML 解析
• dayjs - 日付形式の整形
• request-promise - HTTP リクエスト
• qs - クエリ文字列の解析
• lodash.unescape - HTML エンティティ

注意事項

• さまざまな WeChat ページ構造やスクレイピング対策に対応します
• ページのコンテンツから記事タイプを自動検出します
• Sogou WeChat 検索結果（weixin.sogou.com）からの抽出に対応します
• 記事タイプやページ構造によっては、一部のフィールドが null になる場合があります