公众号文章批量下载与离线归档：图片防盗链怎么破
公众号文章是网页，理论上「另存为」就能存。实际做一遍就会发现两个问题：保存下来的 HTML 打开后图片全是空白，以及一篇文章存成一个文件夹，几百篇之后根本没法管理。
这篇讲清楚为什么，以及一套能长期用的归档结构。
文章 URL 里的信息
https://mp.weixin.qq.com/s?__biz=MzA5xxx==&mid=2247483xxx&idx=1&sn=abc123...__biz：公众号的唯一标识，同一号的所有文章都一样；mid：一次群发的批次 ID，同一次推送的多篇文章共用；idx：这条推送里的第几篇（1 开始）；sn：文章级校验串。
知道了这个结构，去重和排序都不用看标题——直接按 __biz + mid + idx 建主键就行，改过标题的文章也不会重复入库。
正文在哪
正文容器是 #js_content，标题在 #activity-name，作者和发布时间在 #js_name 与 #publish_time 附近。抓取的时候直接定位这几个节点，比用「取 body 里的文字」稳得多，因为页面里混着大量脚本和推荐位。
图片为什么存不下来
图片域名是 mmbiz.qpic.cn，带防盗链：请求头里没有合法的 Referer 就直接返回 403 或一张占位图。所以：
- 浏览器「另存为网页（完整）」有时能带上，有时不带，取决于时机；
- 用脚本下载时必须显式设置
Referer: https://mp.weixin.qq.com/； - 公众号图片还有一种「data-src」延迟加载的写法，真实地址在
data-src而不是src，不处理就会存到一堆占位图。
一套能长期用的目录结构
archive/
└── 公众号名/
├── index.html # 文章列表（本地生成）
└── 2026-11-03_标题/
├── article.html # 正文，图片改成本地相对路径
├── meta.json # 标题/作者/时间/原文链接
└── img/
├── 001.jpg
└── 002.png关键是把图片下载到本地后改写 HTML 里的 src，否则一旦原图被清理，本地这份还是废的。同时把原文链接记在 meta.json 里，将来要核对出处方便。
批量抓取要注意的三件事
- 频率：公众号侧对高频访问有风控，触发后会给验证码甚至临时封 IP。并发控制在 1–2，每次请求间隔 2 秒以上，一个号一次抓完就收手。
- 登录态：有些文章需要关注才能看全文，那就得带 cookie。cookie 会过期，别指望一次配置管一年。
- 已删文章：被删除的文章返回的是「该内容已被发布者删除」，这时候只能靠历史快照或别人已存的副本，抓取端无能为力。
存档的意义和边界
存下来自己看、做笔记、离线检索，都没问题。但把整号内容扒下来重新发布、做成付费资料、或者搬运到自己的站上，涉及著作权，这就不是技术问题了。存档和搬运之间隔着一整个法律章节。
相关阅读
版权声明：如无特殊标注，文章均为本站原创，转载时请以链接形式注明文章出处。
