mpdt — 公众号运营数据，抓回本机，一键周报

WeChat Official Account analytics, fully local — fetch, store, and report your own data via one CLI.

公众号后台（mp.weixin.qq.com）的运营数据散落在三个页面，官方不提供导出，mpdt 把它们自动抓回本机 SQLite，并生成 Markdown 周报：

• 发表列表：阅读 / 分享 / 点赞 / 评论（实时累计口径）
• datacube 文章级：完读率 / 阅读率 / 送达 pv（发表后 7 天窗口，T+1）
• 单篇渠道页：逐篇阅读人数、完读率、平均时长、渠道构成（推荐 / 搜一搜 / 公众号消息…，30 天窗口）

先看效果：在线自助诊断（数据不出你的浏览器）

👉 打开诊断工具

公众号后台导出「已发表内容明细」→ 拖进页面 → 30 秒得到一份带动作的诊断报告：

• 你的号属于哪种分发结构（推荐靠抽签 / 有稳定主力 / 消息为主 / 混合）
• 哪条内容系列值得继续做、哪条该停（按标题自动归类出系列）
• 哪些篇结构可复用、量丢在哪几篇
• 一份「不要做什么」清单

纯静态页面，零后端：文件在浏览器本地解析，不上传、不存储、断网也能用。 判定内核与 mpdt 周报共用同一份代码（docs/diagnosis/kernel.js），所以两处结论不会互相打架。

国内打不开 GitHub Pages？ 用单文件版—— 33 KB 的一个 HTML，下载后双击就能跑，可以微信直接转发给别人。

需要人工解读、逐篇改法或每月持续跟踪：

	价格	交付
单号诊断	¥499	24 小时（30 天内升级月度，诊断费全额抵扣）
月度陪跑	¥1,999/月	每月 1 次诊断 + 4 次问答
服务商（代运营/外包）	¥149/号，5 号起 ¥745	48 小时，报告可白标转给你的客户

我们不承诺阅读量、涨粉数、能不能被推荐——平台分发不受单方控制，承诺这些就是骗你。 我们承诺：每个数字都带分母（n），你能用自己后台复算。

为什么做这个

• 官方不提供导出：后台数据只能一屏一屏翻页看，换设备、离职交接、跨年对比都无从下手
• 商业工具 ¥99/月起：第三方 SaaS 要么按月收费，要么要求交出账号托管，个人号主用不起也不敢用
• 个人号主被忽视：官方与商业工具都面向机构运营团队，一个人打理的号缺少趁手的本地工具

mpdt 的答案：数据 100% 留在本机（SQLite + 本地文件），复用你已登录的 Chrome，不托管、不上传、不收费。

⚠️ 口径警告：三源同名指标口径不同（统计窗口 / 分母各异）——发表列表是实时累计，datacube 是发表后 7 天窗口 T+1，单篇渠道页是 30 天窗口。跨源比较前先对齐口径，周报文首附完整口径说明。

特性

• 零扫码：复用本机已登录 Chrome 的登录态（CDP 远程调试），token 从页面 URL 自动刷新
• 全本地：数据只存本机 SQLite（~/.mpdt/mpdt.sqlite3），凭据文件 600 权限、打印永不回显
• 幂等：同一天重复抓取 upsert 不重复；log_run 记录每次运行
• 礼貌限速：请求间隔 ≥ 1s
• 错误语义明确：退出码 0 成功（含空数据）｜2 配置问题｜3 凭据/登录态问题｜4 上游接口异常（附原始返回片段）｜130 用户中断（幂等设计，重跑安全）
• 机器可读输出：全局 --json 参数——stdout 恰好一行 JSON（{ok, cmd, data, meta}），适合脚本/管道串联
• 非交互友好：stdout 非 TTY（管道 / 重定向 / cron）时自动静默过程输出
• 零框架测试：170 个 unittest，零第三方测试依赖，python3 tests/test_fetchers.py 直跑

安装

# 推荐：pip 安装
pip install mpdt

# 或本地安装
git clone https://github.com/ttxs69/mpdt.git
cd mpdt && pip install .

未安装到环境时，python3 -m mpdt 与 mpdt 命令完全等价——从仓库根目录直接运行即可。

依赖：Python 3.10+、requests、websocket-client（其余全标准库）。

Quick Start（30 秒）

# ① 以调试端口启动 Chrome 并登录公众号后台
google-chrome --remote-debugging-port=9222
#    打开 https://mp.weixin.qq.com 扫码登录，保持该标签页存在

# ② 初始化配置（生成 ~/.mpdt/config.json，600 权限）
mpdt init

# ③ 抓数据 → 出周报
mpdt fetch --backfill 7   # 抓最近 7 天（默认仅昨天，T+1 口径）
mpdt detail --recent 7    # 单篇渠道构成（最近 7 天发表的）
mpdt report               # → mpdt-reports/weekly-YYYY-Www.md

已在跑的 Chrome 需先完全退出再用该参数重启；介意隔离可用独立 profile： --user-data-dir=/tmp/mpdt-chrome --remote-debugging-port=9222

命令一览

命令	作用	常用参数
mpdt init	生成配置	--db PATH 自定义数据库位置
mpdt fetch	发表列表 + datacube 文章级快照	--backfill N / --from/--to YYYY-MM-DD / --count N
mpdt detail	单篇渠道页（完读率 + 渠道构成）	--recent N，或 --msgid ID --publish-date D [--item-idx 1]
mpdt report	生成周报 Markdown + HTML	--week 2026-W42
mpdt export	导出快照 CSV（附口径元数据 *.metrics.csv）	--source SOURCE --out OUT（--no-meta 关闭伴随文件）
mpdt metrics	列出全部指标及口径（按概念分组）	可选位置参数按 概念名/显示名/源/字段 子串过滤

所有命令支持全局 --json（stdout 恰好一行 JSON）。

指标口径（CONCEPTS · 按概念分组）

完读率（read_completion，单位：比例(0-1)）

完读率是同一概念下的两个口径，窗口与分母均不同

series_key	源字段	所属源	窗口	窗口天数	分母	备注
dc7	finish_read_rate	datacube_article	发表后 7 天窗口，T+1 出数	7	7 天窗口内阅读人数	datacube 7 天窗口·阅读人数分母
ad30	finished_read_pv_ratio	article_detail	发表后 30 天窗口	30	阅读次数(pv)	单篇页 30 天窗口·pv 分母

阅读量（read_volume，单位：人次/次/人（按 series 而定））

三个 series 口径不同：实时累计 vs 7 天 pv vs 30 天 uv

series_key	源字段	所属源	窗口	窗口天数	分母	备注
pl	read_num	publish_list	实时累计（拉取时点全量）	0	-	publish_list 实时累计，无窗口无去重
dc7	total_pv	datacube_article	发表后 7 天窗口，T+1 出数	7	-	datacube 7 天窗口·全渠道阅读次数（≈量级）
ad30	read_uv	article_detail	发表后 30 天窗口	30	「全部」渠道去重	单篇页 30 天窗口·全渠道去重阅读人数

分享（share，单位：次/人（按 series 而定））

series_key	源字段	所属源	窗口	窗口天数	分母	备注
pl	share_num	publish_list	实时累计（拉取时点全量）	0	-	实时累计分享次数
dc7	total_share	datacube_article	发表后 7 天窗口，T+1 出数	7	-	datacube 7 天窗口·分享次数
ad30	share_uv	article_detail	发表后 30 天窗口	30	-	单篇页 30 天窗口·分享人数

点赞（like，单位：次）

series_key	源字段	所属源	窗口	窗口天数	分母	备注
pl	like_num	publish_list	实时累计（拉取时点全量）	0	-	实时累计点赞数
ad30	like_cnt	article_detail	发表后 30 天窗口	30	-	单篇页 30 天窗口·点赞数

在看（wow，单位：次）

series_key	源字段	所属源	窗口	窗口天数	分母	备注
ad30	zaikan_cnt	article_detail	发表后 30 天窗口	30	-	单篇页 30 天窗口·「在看」数（与点赞不同概念）

评论（comment，单位：条）

series_key	源字段	所属源	窗口	窗口天数	分母	备注
pl	comment_num	publish_list	实时累计（拉取时点全量）	0	-	实时累计评论数
ad30	comment_cnt	article_detail	发表后 30 天窗口	30	-	单篇页 30 天窗口·评论数

送达人数（delivery，单位：人）

series_key	源字段	所属源	窗口	窗口天数	分母	备注
dc7	send_succ	datacube_article	发表后 7 天窗口，T+1 出数	7	-	datacube 7 天窗口·送达人数（分母=送达）

完读次数（finish_count，单位：次）

series_key	源字段	所属源	窗口	窗口天数	分母	备注
dc7	total_read_finish	datacube_article	发表后 7 天窗口，T+1 出数	7	-	datacube 7 天窗口·完读次数

阅读率（read_rate，单位：比例(0-1)）

series_key	源字段	所属源	窗口	窗口天数	分母	备注
dc7	read_rate	datacube_article	发表后 7 天窗口，T+1 出数	7	送达人数(send_succ)	datacube 阅读 pv / 送达

阅读后关注人数（follow_after_read，单位：人）

series_key	源字段	所属源	窗口	窗口天数	分母	备注
ad30	follow_after_read_uv	article_detail	发表后 30 天窗口	30	-	单篇页 30 天窗口·阅读后关注人数

收藏人数（collection，单位：人）

series_key	源字段	所属源	窗口	窗口天数	分母	备注
ad30	collection_uv	article_detail	发表后 30 天窗口	30	-	单篇页 30 天窗口·收藏人数

听读人数（listen_people，单位：人）

series_key	源字段	所属源	窗口	窗口天数	分母	备注
ad30	listen_uv	article_detail	发表后 30 天窗口	30	-	单篇页 30 天窗口·听读人数（与听读次数不同概念）

听读次数（listen_plays，单位：次）

series_key	源字段	所属源	窗口	窗口天数	分母	备注
ad30	listen_pv	article_detail	发表后 30 天窗口	30	-	单篇页 30 天窗口·听读次数（与听读人数不同概念）

平均阅读时长（avg_read_time，单位：秒）

series_key	源字段	所属源	窗口	窗口天数	分母	备注
ad30	avg_article_read_time	article_detail	发表后 30 天窗口	30	-	单篇页 30 天窗口·平均阅读时长（秒）

赞赏金额（praise_money，单位：上游金额单位）

series_key	源字段	所属源	窗口	窗口天数	分母	备注
ad30	praise_money	article_detail	发表后 30 天窗口	30	-	单篇页 30 天窗口·赞赏金额

元数据字段（非指标：快照日 / 派生列 / 结构列）

规范名	字段	源	窗口	类型	备注
refdate	refdate	datacube_article	发表后 7 天窗口，T+1 出数	snapshot	文章口径日（快照行 stat_date 是拉取日，两者不同）
publish_date	publish_date	article_detail	发表后 30 天窗口	snapshot	单篇页 30 天窗口·文章发表日
window_days	window_days	article_detail	发表后 30 天窗口	derived	mpdt 写入的派生列（页面固定 30 天）
total_read_user	total_read_user	article_detail	发表后 30 天窗口	derived	mpdt 派生列：「全部」渠道逐日 read_user 求和
channel_breakdown	channel_breakdown	article_detail	发表后 30 天窗口	structured	mpdt 派生列；同一用户多渠道重复计数 → 占比之和可 >100%（仅「全部」去重）

旧版字段（保留登记；不参与对照 / 不出现在 metrics 视图）

旧版字段保留在注册表里是为了让 mpdt/metrics.py 仍能识别上游接口历史返回的字段（CSV 导出元数据 *.metrics.csv 会标出口径），但不参与周报对照、metrics 视图与自动配对。

• old_like_num → like_num：旧版字段（保留登记），口径与 like_num 相当

自动推导的易混淆配对（同一概念多 series）

概念	不可直接比的 series 配对	主要差异
完读率（read_completion，1 对）	dc7 vs ad30	分母、窗口
阅读量（read_volume，3 对）	pl vs dc7；pl vs ad30；dc7 vs ad30	分母、窗口
分享（share，3 对）	pl vs dc7；pl vs ad30；dc7 vs ad30	窗口
点赞（like，1 对）	pl vs ad30	窗口
评论（comment，1 对）	pl vs ad30	窗口

本节由 mpdt/metrics.py CONCEPTS 自动生成（python3 -c "from mpdt.metrics import readme_section; print(readme_section())"）。改口径请改 CONCEPTS，再运行 mpdt metrics 校对。

FAQ

• fetch 提示「该日期范围无数据」：不是错误（退出码 0）。datacube 为 T+1 口径，当天数据明天可得。
• 退出码 3（AuthError）：CDP 9222 上没有已登录的 mp.weixin 标签页——回 Quick Start ① 检查 Chrome 参数与登录态。
• 退出码 4（UpstreamError）：微信接口返回了未识别结构——错误信息附原始返回片段，提 issue 时请一并贴出。
• 换机器 / 重置：删除 ~/.mpdt/ 后重跑 mpdt init。数据库与配置都在该目录（除非 --db 另指定）。
• 会碰我的 Chrome 吗：只通过 CDP 读取已登录标签页的 URL 与发起后台 API 请求，不注入脚本、不改动页面。

数据抓回来了，然后呢

mpdt 给你四个数：推荐命中率、中间带占比、渠道结构、完读率中位。但数字本身不告诉你该改什么。

举个我们自己号上的真事：30 篇文章，整体算出来命中率 33%，第一版结论是「推荐靠抽签，别优化单篇」。 按天拆开才发现——10-17 到 10-18 连续两天、每天发 2 篇以上、推荐全部接近 0，那是分发中断，不是内容差。 把这三天剔除后命中率是 42%；而且在正常期的同一段时间里，一类文章命中 5/5、另一类 0/7，差 4.3 倍。

同一个数据，判错一次，接下来几个月就全花在错的方向上。

如果你抓完数据不想自己拆这层，我们把这件事做成了一份固定交付： 四类结构判定 + 断供窗检测 + 可比期分组 + 逐篇定位 + 三条动作（和一份「不要做什么」）。

• 单号诊断 ¥499，24 小时出，每个数字都带分母，你能用自己后台复算
• 样本不足（<10 篇或 <7 个发布日）直接拒单，不出报告
• 不承诺阅读量/涨粉——平台分发不受单方控制

入口：START-HERE ｜ 或直接开个 issue 写「诊断 + 你的号大概多少篇」。

文档

• 需求背景
• 产品需求（PRD）
• 技术设计
• 冷启动记录
• 答疑：提 issue

边界与合规

• 只读取你自己公众号后台的数据；不提供任何刷量 / 代抓他人数据能力
• 自动化访问后台属微信 ToS 灰色地带，本项目仅限个人备份分析用途，风险自担

License

MIT © ttxs69