aardio实战篇) 下载微信公众号文章为pdf和html

自作多情是种病

首发地址： https://mp.weixin.qq.com/s/w6v3RhqN0hJlWYlqTzGCxA
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

1. import win.ui;
2. import console
3. import web.view;
4. import web.socket.chrome;
5. /*DSG{{*/
6. var winform = win.form(text="测试";right=759;bottom=469;bgcolor=16777215)
7. winform.add()
8. /*}}*/
10. var wb = web.view(winform,,"--remote-debugging-port=29999");
11. winform.text = "正在打开网页，请稍候 ……"
12. winform.show();
14. var ws = wb.openRemoteDebugging();
16. ws.Page.navigate(
17.     url = "https://mp.weixin.qq.com/s/Nik8fBF3hxH5FPMGNx3JFw";
18. );
20. wb.wait("Nik8fBF3hxH5FPMGNx3JFw");
21. win.delay(3000)
22. import crypt;
23. ws.Page.captureSnapshot().end = function(result,err){
24.    if(result[["data"]]){
25.        string.save("示例.mhtml", result.data)
26.        winform.text = "保存mhtml成功"
27.    }
28. }
30. win.loopMessage();

复制代码

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。

1. callWait = function(ws, method,params,timeout,interval){
2.         if(!ws) return;
3.         var done = null;
4.         var t = ..string.split(method,".");
5.         var func = ws;
6.         for(i=1;#t;1){
7.                 func = func[t[i]];
8.         }
9.         var result;
10.         func(params).end = function(r,err){
11.                 if(!err) {
12.                         done = true;
13.                         result = r;
14.                 }
15.         };
16.         ..win.wait(lambda() done,winform,timeout:15000,interval);
17.         return result;
18. }

复制代码

这样调用就顺眼多了，当然习惯了异步的话也可以不改。

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

复制代码

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)。

1. scrollPageBottom = function(ws){
2.         ..win.delay(1000);
3.         var scrollToEnd = `(async function scrollPage() {
4.             return new Promise(async (resolve) => {
5.                 var distance = 500;
6.                 var count = 0;
7.                 window.scrollTo(0, 0);
8.                 window.scrollTo(0, 0);
9.                 var scroll = async () => {
10.                     var lastScrollTop = document.documentElement.scrollTop;
11.                     window.scrollBy(lastScrollTop, distance);
12.                     await new Promise(r => setTimeout(r, 500));
13.                     var newScrollTop = document.documentElement.scrollTop;
14.                     var scrollHeight = document.body.scrollHeight;
15.                     console.log(lastScrollTop, newScrollTop, scrollHeight);
16.                     if(lastScrollTop === newScrollTop) count += 1;
17.                     if ((lastScrollTop === newScrollTop && newScrollTop/scrollHeight > 0.8) || count > 2) {
18.                         resolve();
19.                     } else {
20.                         await scroll();
21.                     }
22.                 };
23.                 await scroll();
24.             });
25.         })();`;
26.         var params = {
27.                 "expression": scrollToEnd,
28.                 "awaitPromise": true,
29.                 "returnByValue": true
30.         }
31.         // 开始滑动
32.         callWait(ws, "Runtime.evaluate", params);
33.         // 有时候滑动还未结束，上面的代码就返回了，所以继续等待
34.         ..win.wait(function(){
35.                 var r= callWait(ws, "Runtime.evaluate", {
36.                         expression="document.documentElement.scrollTop/document.body.scrollHeight > 0.8";
37.                         awaitPromise=true;
38.                         returnByValue=true
39.                 });
40.                 return r;
41.         },,15000,500)
42. }

复制代码

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:

1. import cdpdriver;
2. import web.view;
3. import win.ui;
4. import console
5. /*DSG{{*/
6. var winform = win.form(text="cdp协议";right=759;bottom=469)
7. winform.add()
8. /*}}*/
10. var initWebView = function(){
11.         var cmdArgs = `--remote-debugging-port=29999`;
12.         winform.webView = web.view(winform,,cmdArgs);
13.         if(!_STUDIO_INVOKED) winform.webView.enableDevTools(false);
14.         winform.show();
15.        
16.         winform.stateTable = {
17.                 pageReady=null;//页面加载完成
18.         }
19.         var ws = winform.webView.openRemoteDebugging();
20.         var cdpClient = cdpdriver(ws);
21.         // 启用Page事件
22.         ws.Page.enable();
23.         // Page.domContentEventFired和Page.loadEventFired事件触发表示页面加载完成
24.         ws.on("Page.domContentEventFired",function(param){
25.                 winform.stateTable.pageReady = true;
26.     })
27.         ws.on("Page.loadEventFired",function(param){
28.                 winform.stateTable.pageReady = true;
29.     })
30.         winform.stateTable.pageReady = null;
31.         var url = "https://mp.weixin.qq.com/s/Nik8fBF3hxH5FPMGNx3JFw";
32.         winform.webView.go(url);
33.         win.wait(lambda() winform.stateTable.pageReady, winform.hwnd, 15000, 50);  
34.         win.delay(1000)
35.         if(winform.stateTable.pageReady){
36.                 cdpClient.scrollPageBottom();
37.             var mhtml = cdpClient.outerMHTML;
38.             string.save("测试.mhtml", mhtml)
39.         }
40. }
42. initWebView()
44. winform.show();
45. win.loopMessage();

复制代码

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

这个解决不了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

1. import win.ui;
2. import web.view;
3. /*DSG{{*/
4. mainForm = win.form(text="hpsocket cdp协议";right=757;bottom=467)
5. mainForm.add()
6. /*}}*/
8. var threadMain = function(debugPort){
9.         import win;
10.         import cdpdriver.hpcdp;
11.         import cdpdriver.jsonrpc;
12.         import kilogging;
13.        
14.         var logger = kilogging();
15.         ..cdpdriver.jsonrpc.waitDebuggingPages(debugPort);
16.         var wsClient = ..cdpdriver.jsonrpc();
17.         wsClient.connect(debugPort);
18.         wsClient.send("Page.enable");
19.         wsClient.on("Page.domContentEventFired", function(){
20.                 ..thread.set("pageReady" + owner.guid, true);
21.         })
22.         wsClient.on("Page.loadEventFired", function(){
23.                 ..thread.set("pageReady" + owner.guid, true);
24.         })
25.         var cdpClient = ..cdpdriver.hpcdp(wsClient);
26.         var url = "https://mp.weixin.qq.com/s/Nik8fBF3hxH5FPMGNx3JFw";
27.         var pageReadyFlag = "pageReady" + wsClient.guid;
28.         ..thread.set(pageReadyFlag, null);
29.         logger.info("开始下载 (%s) pdf和html", url);
30.         wsClient.send("Page.navigate",{"url":url})
31.         win.wait(function(){
32.                 return thread.get(pageReadyFlag);
33.         },, 10000, 100);
34.         if(!thread.get(pageReadyFlag)) {
35.                 logger.info("页面(%s)访问失败", url);
36.                 return;
37.         }
38.         cdpClient.scrollPageBottom();
39.         // 计算网页图片的数量
40.         var imgCount = cdpClient.runJsCode('document.querySelectorAll("#img-content img").length;')
41.         // 如果获取数量失败，则默认是40
42.         imgCount := 40;
43.         // 每张图片会多等待300毫秒
44.         ..win.delay(imgCount * 300);
45.         var mhtmlData = cdpClient.getOuterMHTML();
46.         var mhtml = mhtmlData ? mhtmlData.data;
47.         var pdfData = cdpClient.getPdf();
48.         var pdf = pdfData ? pdfData.data;
49.         logger.info("获取到的文件大小，pdf(%s), mhtml(%s)",tostring(#pdf), tostring(#mhtml));
50.         if(pdf) {
51.                 var pdfBytes = ..crypt.bin.decodeBase64(pdf);
52.                 ..string.save("测试.pdf", pdfBytes);
53.                 logger.info("保存pdf成功，路径：%s", io.fullpath("测试.pdf"));
54.         }
55.         if(mhtml) {
56.                 ..string.save("测试.mhtml", mhtml);
57.                 logger.info("保存mhtml成功，路径：%s", io.fullpath("测试.mhtml"));
58.         }       
59. }
61. var initWebView = function(){
62.         var cmdArgs = `--remote-debugging-port=29999`;
63.         mainForm.webView = web.view(mainForm,,cmdArgs);
64.         mainForm.show();
65.        
66.         var debugPort = mainForm.webView.remoteDebuggingPort;
67.         thread.invoke(threadMain,debugPort)       
68. }
70. initWebView()
72. mainForm.show();
73. return win.loopMessage();

复制代码

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
  

本文由博客一文多发平台 OpenWrite 发布！

来源:https://www.cnblogs.com/kanadeblisst/p/18252255
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！