aardio实战篇) 下载微信公众号文章为pdf和html

  • kanadeblisst

    2024-06-17 09:45:00
  • 数据库开发技术
  • 原创

前言

之前在PC微信逆向) 定位微信浏览器打开链接的call提过要写一个保存公众号历史文章的工具。这篇文章先写一个将文章保存成pdf和html的工具，后面再补充一个采集历史的工具，搭配使用就能保存所有历史文章到本地。

如果是在浏览器打开文章，想保存成pdf和html很简单，右键打印(pdf)和另存为(html)就可以了。想在程序里实现则需要一些自动化工具，例如playwright、puppeteer等，但这些都没有移植到aardio。

cdp

先科普一个知识：大部分自动化工具都是基于chromium内核浏览器自带的一个叫Chrome DevTools Protocol[1]的协议(后面简称cdp)，它涵盖了对谷歌浏览器的所有自动化操作。

cdp协议使用jsonrpc和谷歌浏览器通信，所以完全可以在aardio也实现一个类似drissionpage的库，但是工程量不小，我没那么多时间去实现。所以只在用到哪部分的时候完善哪部分接口，不会去完整实现一个drissionpage。

用到的cdp接口

保存成html

cdp协议里并没有直接获取页面html的接口，但是可以通过获取页面document.body.outerHTML的值来得到。而获取该值则是通过Runtime.evaluate[2]接口执行js表达式并返回结果。

不过这样保存的html打开之后，会显示一直转圈，并且图片无法加载。这是因为有些图片用的相对链接，解决方法就是替换相对链接为绝对链接。不过我更推荐保存成mhtml，这样图片就会被嵌入到html里，不需要从网络加载。

保存成mhtml

cdp协议里保存成mhtml的接口是Page.captureSnapshot[3]

保存成pdf

接口是Page.printToPDF[4]

简单使用

aardio其实提供了cdp协议的封装库web.socket.chrome，用法可以在案例里搜索这个。

保存成mhtml 

import win.ui;
import console
import web.view;
import web.socket.chrome;
/*DSG{{*/
var winform = win.form(text="测试";right=759;bottom=469;bgcolor=16777215)
winform.add()
/*}}*/

var wb = web.view(winform,,"--remote-debugging-port=29999");
winform.text = "正在打开网页，请稍候 ……"
winform.show();

var ws = wb.openRemoteDebugging();
 
ws.Page.navigate(
    url = "https://mp.weixin.qq.com/s/Nik8fBF3hxH5FPMGNx3JFw";
);

wb.wait("Nik8fBF3hxH5FPMGNx3JFw");
win.delay(3000)
import crypt;
ws.Page.captureSnapshot().end = function(result,err){
   if(result[["data"]]){
       string.save("示例.mhtml", result.data)
       winform.text = "保存mhtml成功"
   } 
} 

win.loopMessage();

虽然保存了，但是图片并没有显示，应该是图片还没加载就已经开始保存了，并且有些图片只有滑动到底部时才会加载。所以还需要先下拉到底部，让页面把图片全部加载出来再进行保存。

异步改同步

这是个异步库，上面的写法看起来不太顺眼，可以将它稍微封装一下改为同步库使用。

callWait = function(ws, method,params,timeout,interval){
 if(!ws) return;
 var done = null;
 var t = ..string.split(method,".");
 var func = ws;
 for(i=1;#t;1){
  func = func[t[i]];
 }
 var result;
 func(params).end = function(r,err){
  if(!err) {
   done = true;
   result = r;
  }
 };
 ..win.wait(lambda() done,winform,timeout:15000,interval);
 return result;
}

这样调用就顺眼多了，当然习惯了异步的话也可以不改。

var result = callWait(ws, "Page.captureSnapshot", {});
string.save("示例.mhtml", result.data)

滑动到底部

滑动操作用JavaScript比cdp接口要简单的多，所以先找gpt写一段JavaScript滑动到底部的代码(需要多调教几次，最初版本肯定是有错误的)。

scrollPageBottom = function(ws){
 ..win.delay(1000);
 var scrollToEnd = `(async function scrollPage() {
     return new Promise(async (resolve) => {
         var distance = 500; 
         var count = 0;
         window.scrollTo(0, 0);
         window.scrollTo(0, 0);
         var scroll = async () => {
             var lastScrollTop = document.documentElement.scrollTop;
             window.scrollBy(lastScrollTop, distance);
             await new Promise(r => setTimeout(r, 500)); 
             var newScrollTop = document.documentElement.scrollTop;
             var scrollHeight = document.body.scrollHeight;
             console.log(lastScrollTop, newScrollTop, scrollHeight);
             if(lastScrollTop === newScrollTop) count += 1;
             if ((lastScrollTop === newScrollTop && newScrollTop/scrollHeight > 0.8) || count > 2) {
                 resolve(); 
             } else {
                 await scroll(); 
             }
         };
         await scroll();
     });
 })();`;
 var params = {
  "expression": scrollToEnd,
  "awaitPromise": true,
  "returnByValue": true
 }
 // 开始滑动
 callWait(ws, "Runtime.evaluate", params);
 // 有时候滑动还未结束，上面的代码就返回了，所以继续等待
 ..win.wait(function(){
  var r= callWait(ws, "Runtime.evaluate", {
   expression="document.documentElement.scrollTop/document.body.scrollHeight > 0.8";
   awaitPromise=true;
   returnByValue=true
  });
  return r;
 },,15000,500)
}

封装成库

全部放出来代码会太多，所以将代码封装成了库(cdpdriver)，放到了之前写的aardio教程) 搭建自己的扩展库仓库里，有兴趣的可以去github自己看怎么实现的。

封装的库使用示例如下:

import cdpdriver;
import web.view;
import win.ui;
import console
/*DSG{{*/
var winform = win.form(text="cdp协议";right=759;bottom=469)
winform.add()
/*}}*/

var initWebView = function(){
 var cmdArgs = `--remote-debugging-port=29999`;
 winform.webView = web.view(winform,,cmdArgs);
 if(!_STUDIO_INVOKED) winform.webView.enableDevTools(false);
 winform.show();
 
 winform.stateTable = {
  pageReady=null;//页面加载完成
 }
 var ws = winform.webView.openRemoteDebugging();
 var cdpClient = cdpdriver(ws);
 // 启用Page事件
 ws.Page.enable();
 // Page.domContentEventFired和Page.loadEventFired事件触发表示页面加载完成
 ws.on("Page.domContentEventFired",function(param){
  winform.stateTable.pageReady = true;
    })
 ws.on("Page.loadEventFired",function(param){
  winform.stateTable.pageReady = true;
    })
 winform.stateTable.pageReady = null;
 var url = "https://mp.weixin.qq.com/s/Nik8fBF3hxH5FPMGNx3JFw";
 winform.webView.go(url);
 win.wait(lambda() winform.stateTable.pageReady, winform.hwnd, 15000, 50);  
 win.delay(1000) 
 if(winform.stateTable.pageReady){
  cdpClient.scrollPageBottom();
     var mhtml = cdpClient.outerMHTML;
     string.save("测试.mhtml", mhtml)
 }
}

initWebView()

winform.show();
win.loopMessage();

这样保存的mhtml图片显示也正常

pdf也是正常的

严重bug

当某个网页的图片特别多的时候，保存的mhtml文件特别大的时候(比如八九十兆)，这时候控制台就会出现no enough memory的错误，经过多天的排查，没有找到具体原因，不过我猜测是aardio异步传输数据时，申请的内存空间小于这个文件大小，所以当传输文件的数据时就会出错。

解决方法

这个其实无法从代码上解决，aardio内核并不开源。找aardio作者好像又不太合适，因为正常也不会传输这么大的数据量。那只能不用这个异步库，自己基于官方扩展库里的hpsocket实现一个jsonrpc。

但是官方扩展库的hpsocket使用的dll还是2017年的版本，为了避免之前版本有未修复的bug，去github更新一下hpsocket的dll。

hpsocket的dll下载地址: https://github.com/ldcsaa/HP-Socket/releases

hpsocket封装后的使用案例 

import win.ui;
import web.view;
/*DSG{{*/
mainForm = win.form(text="hpsocket cdp协议";right=757;bottom=467)
mainForm.add()
/*}}*/

var threadMain = function(debugPort){
 import win;
 import cdpdriver.hpcdp;
 import cdpdriver.jsonrpc;
 import kilogging;
 
 var logger = kilogging();
 ..cdpdriver.jsonrpc.waitDebuggingPages(debugPort);
 var wsClient = ..cdpdriver.jsonrpc();
 wsClient.connect(debugPort);
 wsClient.send("Page.enable");
 wsClient.on("Page.domContentEventFired", function(){
  ..thread.set("pageReady" + owner.guid, true);
 })
 wsClient.on("Page.loadEventFired", function(){
  ..thread.set("pageReady" + owner.guid, true);
 })
 var cdpClient = ..cdpdriver.hpcdp(wsClient);
 var url = "https://mp.weixin.qq.com/s/Nik8fBF3hxH5FPMGNx3JFw";
 var pageReadyFlag = "pageReady" + wsClient.guid;
 ..thread.set(pageReadyFlag, null);
 logger.info("开始下载 (%s) pdf和html", url);
 wsClient.send("Page.navigate",{"url":url})
 win.wait(function(){
  return thread.get(pageReadyFlag);
 },, 10000, 100);
 if(!thread.get(pageReadyFlag)) {
  logger.info("页面(%s)访问失败", url);
  return;
 }
 cdpClient.scrollPageBottom();
 // 计算网页图片的数量
 var imgCount = cdpClient.runJsCode('document.querySelectorAll("#img-content img").length;')
 // 如果获取数量失败，则默认是40
 imgCount := 40;
 // 每张图片会多等待300毫秒
 ..win.delay(imgCount * 300);
 var mhtmlData = cdpClient.getOuterMHTML();
 var mhtml = mhtmlData ? mhtmlData.data;
 var pdfData = cdpClient.getPdf();
 var pdf = pdfData ? pdfData.data;
 logger.info("获取到的文件大小，pdf(%s), mhtml(%s)",tostring(#pdf), tostring(#mhtml));
 if(pdf) {
  var pdfBytes = ..crypt.bin.decodeBase64(pdf);
  ..string.save("测试.pdf", pdfBytes);
  logger.info("保存pdf成功，路径：%s", io.fullpath("测试.pdf"));
 }
 if(mhtml) {
  ..string.save("测试.mhtml", mhtml);
  logger.info("保存mhtml成功，路径：%s", io.fullpath("测试.mhtml"));
 } 
}

var initWebView = function(){
 var cmdArgs = `--remote-debugging-port=29999`;
 mainForm.webView = web.view(mainForm,,cmdArgs);
 mainForm.show();
 
 var debugPort = mainForm.webView.remoteDebuggingPort;
 thread.invoke(threadMain,debugPort) 
}

initWebView()

mainForm.show();
return win.loopMessage();

很明显，hpsocket写代码要比web.socket.chrome麻烦的多，因为它是基于多线程的，所以正常情况下推荐使用web.socket.chrome，只有当你遇到不能使用的情况，才换hpsocket。

引用链接

  • [1] https://chromedevtools.github.io/devtools-protocol/
  • [2] https://chromedevtools.github.io/devtools-protocol/tot/Runtime/#method-evaluate
  • [3] https://chromedevtools.github.io/devtools-protocol/tot/Page/#method-captureSnapshot
  • [4] https://chromedevtools.github.io/devtools-protocol/tot/Page/#method-printToPDF


请使用浏览器的分享功能分享到微信等