wespy 0.2.0

A Python tool for fetching web articles and converting them to Markdown format

WeSpy

WeSpy 是一个用于获取wx公众号文章并转换为 Markdown 格式的 Python 工具,支持图片防盗链处理、专辑批量下载和多种输出格式。

特性

• 🚀 智能文章提取：自动识别文章标题、作者、发布时间和正文内容
• 📱 wx公众号支持：专门优化wx公众号文章的提取，支持长短链接自动转换
• 🎵 专辑批量下载：支持微信公众号专辑文章批量获取和下载
• 🖼️ 图片防盗链处理：自动处理图片防盗链问题，确保图片正常显示
• 📝 灵活输出配置：默认只输出 Markdown，可选择 HTML 和 JSON 格式
• 🌐 通用网页支持：支持大多数网站的文章提取
• 🎯 命令行友好：提供简单易用的命令行界面
• 📂 批量处理：支持批量处理多个文章链接和专辑文章

安装

使用 pip 安装（推荐）

pip install wespy

从源码安装

git clone https://github.com/tianchang/wespy.git
cd wespy
pip install -e .

快速开始

命令行使用

# 获取wx公众号文章（默认只输出 Markdown）
wespy "https://mp.weixin.qq.com/s/xxxxx"

# 指定输出目录
wespy "https://mp.weixin.qq.com/s/xxxxx" -o /path/to/output

# 输出 Markdown + HTML 格式
wespy "https://example.com/article" --html

# 输出 Markdown + JSON 格式
wespy "https://example.com/article" --json

# 输出所有格式（HTML + JSON + Markdown）
wespy "https://example.com/article" --all

# 显示详细信息
wespy "https://example.com/article" -v

# === 微信专辑功能 ===

# 获取微信专辑文章列表（不下载内容）
wespy "https://mp.weixin.qq.com/mp/appmsgalbum?__biz=...&album_id=..." --album-only

# 批量下载微信专辑文章（默认下载前10篇）
wespy "https://mp.weixin.qq.com/mp/appmsgalbum?__biz=...&album_id=..."

# 限制专辑文章下载数量
wespy "https://mp.weixin.qq.com/mp/appmsgalbum?__biz=...&album_id=..." --max-articles 5

# 下载专辑文章并保存所有格式
wespy "https://mp.weixin.qq.com/mp/appmsgalbum?__biz=...&album_id=..." --max-articles 5 --all

交互式使用

如果不提供任何参数，程序会进入交互模式：

wespy

然后根据提示输入文章 URL、输出目录和输出格式选择：

1. 仅 Markdown（默认）
2. Markdown + HTML
3. Markdown + JSON
4. 全部格式（HTML + JSON + Markdown）

Python API 使用

from wespy import ArticleFetcher
from wespy.main import WeChatAlbumFetcher

# 创建文章获取器实例
fetcher = ArticleFetcher()

# 获取单篇文章（默认只输出 Markdown）
article_info = fetcher.fetch_article(
    url="https://mp.weixin.qq.com/s/xxxxx",
    output_dir="articles"
)

# 获取文章并指定输出格式
article_info = fetcher.fetch_article(
    url="https://mp.weixin.qq.com/s/xxxxx",
    output_dir="articles",
    save_html=True,      # 同时保存HTML文件
    save_json=True,      # 同时保存JSON文件
    save_markdown=True   # 保存Markdown文件（默认为True）
)

if article_info:
    print(f"标题: {article_info['title']}")
    print(f"作者: {article_info['author']}")
    print(f"发布时间: {article_info['publish_time']}")

# === 微信专辑功能 ===

# 创建专辑获取器
album_fetcher = WeChatAlbumFetcher()

# 仅获取专辑文章列表
articles = album_fetcher.fetch_album_articles(
    "https://mp.weixin.qq.com/mp/appmsgalbum?__biz=...&album_id=...",
    max_articles=20  # 限制获取数量
)

print(f"获取到 {len(articles)} 篇文章")

# 批量下载专辑文章
successful_articles = fetcher.fetch_album_articles(
    album_url="https://mp.weixin.qq.com/mp/appmsgalbum?__biz=...&album_id=...",
    output_dir="articles",
    max_articles=10,
    save_html=True,
    save_json=True,
    save_markdown=True
)

print(f"成功下载 {len(successful_articles)} 篇文章")

输出格式

WeSpy 默认只生成 Markdown 文件，但可以通过配置选项选择其他格式：

默认输出（仅 Markdown）

articles/
└── 文章标题_1627834567.md        # Markdown格式

可选格式

• HTML 文件：原始 HTML 内容（使用 --html 选项）
• JSON 文件：文章元数据信息（使用 --json 选项）
• Markdown 文件：转换后的 Markdown 格式内容（默认生成）

全部格式输出示例

articles/
├── 文章标题_1627834567.html      # 原始HTML
├── 文章标题_1627834567.md        # Markdown格式
└── 文章标题_1627834567_info.json # 元数据信息

JSON 元数据格式

{
  "title": "文章标题",
  "author": "作者名称",
  "publish_time": "2023-07-30",
  "url": "https://example.com/article",
  "html_file": "文章标题_1627834567.html",
  "fetch_time": "2023-07-30 12:34:56"
}

支持的网站

完全支持

• wx公众号 (mp.weixin.qq.com)
• 大部分基于标准 HTML 结构的博客和新闻网站

通用支持

WeSpy 使用智能算法尝试从以下元素中提取内容：

• <article> 标签
• 带有 content、article-content、post-content 等 class 的元素
• <main> 标签
• 标准的 meta 标签信息

命令行选项

wespy [-h] [-o OUTPUT] [-v] [--html] [--json] [--all] [--max-articles MAX_ARTICLES] [--album-only] url

获取文章内容并转换为Markdown，支持微信专辑批量下载

positional arguments:
  url                   文章URL或微信专辑URL

optional arguments:
  -h, --help            显示帮助信息
  -o OUTPUT, --output OUTPUT
                        输出目录 (默认: articles)
  -v, --verbose         显示详细信息
  --html                同时保存HTML文件
  --json                同时保存JSON信息文件
  --all                 保存所有格式文件 (HTML, JSON, Markdown)
  --max-articles MAX_ARTICLES
                        微信专辑最大下载文章数量 (默认: 10)
  --album-only          仅获取专辑文章列表，不下载内容

输出格式选项说明

• 默认行为：只生成 Markdown 文件
• --html：生成 Markdown + HTML 文件
• --json：生成 Markdown + JSON 文件
• --all：生成所有格式文件（HTML + JSON + Markdown）

微信专辑功能

功能介绍

WeSpy 支持微信公众号专辑文章的批量获取和下载，可以一次性下载整个专辑中的所有文章。

使用方式

仅获取文章列表

使用 --album-only 参数只获取专辑中的文章列表，不下载具体内容：

wespy "https://mp.weixin.qq.com/mp/appmsgalbum?__biz=...&album_id=..." --album-only

输出示例：

获取到 25 篇文章:
 1. 文章标题一
     URL: http://mp.weixin.qq.com/s?__biz=...
     时间: 1704067200

 2. 文章标题二
     URL: http://mp.weixin.qq.com/s?__biz=...
     时间: 1703980800

文章列表会保存为JSON文件，包含标题、URL、发布时间等完整信息。

批量下载专辑文章

直接使用专辑URL即可批量下载专辑中的所有文章：

# 下载前10篇文章（默认）
wespy "https://mp.weixin.qq.com/mp/appmsgalbum?__biz=...&album_id=..."

# 限制下载文章数量
wespy "https://mp.weixin.qq.com/mp/appmsgalbum?__biz=...&album_id=..." --max-articles 5

# 下载并保存所有格式
wespy "https://mp.weixin.qq.com/mp/appmsgalbum?__biz=...&album_id=..." --max-articles 5 --all

输出结构

专辑文章下载后会创建独立的专辑目录：

articles/
├── album_1703980800/                    # 专辑专用目录
│   ├── 文章标题一_1703980800.md         # Markdown格式
│   ├── 文章标题一_1703980800_info.json  # 文章信息
│   ├── 文章标题二_1703980801.md         # 下一篇文章
│   └── ...
└── album_1703980800_summary.json        # 专辑下载汇总信息

汇总信息

每个专辑下载完成后会生成详细的汇总报告，包含：

• 专辑URL和下载时间
• 成功/失败统计
• 成功下载的文章列表
• 失败的文章列表和错误信息

技术特性

• 智能分页：自动处理微信分页获取，支持大型专辑
• 错误处理：分离成功和失败的文章，确保部分失败不影响整体下载
• 速率控制：内置延迟机制避免请求过快
• 进度显示：实时显示下载进度和统计信息

依赖要求

• Python 3.6+
• requests >= 2.20.0
• beautifulsoup4 >= 4.9.0

开发

开发环境设置

git clone https://github.com/tianchang/wespy.git
cd wespy
pip install -e ".[dev]"

运行测试

python -m pytest tests/

代码格式化

black wespy/
flake8 wespy/

常见问题

Q: 为什么有些图片无法显示？

A: WeSpy 使用 images.weserv.nl 作为代理服务来解决图片防盗链问题。如果仍然无法显示，可能是原图片已被删除或网络问题。

Q: 支持哪些网站？

A: WeSpy 对wx公众号有特别优化，对大部分使用标准 HTML 结构的网站都有较好的支持。如果某个网站不支持，欢迎提交 issue。

Q: 如何批量处理文章？

A: 目前需要通过脚本调用 Python API 来实现批量处理，命令行版本暂不支持批量处理。

贡献

欢迎提交 issue 和 pull request！

1. Fork 本仓库
2. 创建特性分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 开启 Pull Request

许可证

本项目使用 MIT 许可证。详见 LICENSE 文件。

更新日志

v0.2.0 (2025-01-22)

• 🎵 新增微信专辑功能：支持微信公众号专辑文章批量获取和下载
• 📝 增强命令行选项：--max-articles、--album-only 用于专辑操作
• 🔗 智能链接转换：自动检测并转换微信长链接为短链接
• 📊 详细汇总报告：专辑下载完成后生成详细的统计报告
• 🚀 优化错误处理：分离成功和失败的文章，提升批量处理稳定性
• ⚡ 性能优化：内置速率控制机制避免请求过快
• 📁 改进文件组织：专辑文章保存到独立目录，便于管理

v0.1.2 (2025-01-01)

• 改进输出格式配置：默认只输出 Markdown 文件
• 新增命令行选项：--html、--json、--all 用于控制输出格式
• 优化交互模式：添加输出格式选择菜单
• 更新 Python API：支持参数化输出格式控制

v0.1.0 (2023-07-30)

• 初始版本发布
• 支持wx公众号文章提取
• 支持通用网页文章提取
• 支持 HTML/JSON/Markdown 多格式输出
• 图片防盗链处理
• 命令行界面

联系方式

• GitHub: https://github.com/tianchangNorth/WeSpy
• Issues: https://github.com/tianchangNorth/WeSpy/issues

---

推荐🐔场

自用🐔场，稳定，线路多，速度快，点这里注册

免责声明

本项目仅供学习和研究目的使用。使用本工具时，请务必遵守以下原则：

使用责任

• 用户需自行承担使用本工具的所有风险和责任
• 请确保您的使用行为符合目标网站的robots.txt文件要求
• 尊重内容创作者的知识产权，不得用于商业目的
• 不要对网站服务器造成过大的访问压力

法律合规

• 请遵守当地法律法规以及目标网站的使用条款
• 不得将本工具用于任何非法或未经授权的活动
• 下载的内容应仅用于个人学习、研究或存档目的

技术风险

• 网站结构可能随时变化，本工具可能无法正常工作
• 本工具按"原样"提供，不提供任何明示或暗示的保证
• 开发者不对因使用本工具造成的任何损失承担责任

数据安全

• 本工具不会收集或上传您的任何个人信息
• 所有数据处理都在本地完成
• 请妥善保管您下载的内容

---

重要提醒: 请合理、合法、负责任地使用本工具，尊重网络服务提供者和内容创作者的权益.