公众号文章页和主页上的数据,分别从哪里取?
公众号页面上的每个字段都来自一个特定动作。做文章核查表时,标题和正文取自 wechat_mp.v2.fetch_article_detail_h5,阅读与互动取自标准 wechat_mp.v2.fetch_article_stats,群发内位置取自账号文章列表 wechat_mp.v2.fetch_account_articles,账号字段取自 fetch_account_profile。每列记下来源动作和采集时间,查不到的值留空。
例如比较同一活动的几篇文章:先看每篇文章讲什么,再对照同一时间范围的互动,并确认哪篇是同次群发的头条。需要账号资料时,用已核对的账号标识单独查询。
先列必需的列,不先把所有接口查一遍
只需要标题和正文时,不查主页、评论和指标。新增需要的列时,只为这些列加请求,能复用的已有记录直接复用。账号资料只能复用于已核实的同一账号,不能拿去填另一个同名账号。
怎样让每一行都能回到原始证据?
保留原请求 URL、返回的文章链接、账号身份,以及正文和统计各自的请求 ID 与采集时间。两份文件标题一样不足以配对,长短链接别名也不能凭猜测合并。来源或身份对不上时先停止关联,不要把数字贴到最像的标题行。
join_article_review.py(见本页最后一节)重新核对原始响应、哈希和字段,不直接相信人工可编辑的指标 CSV。join_article_review.py 只合并已保存且通过校验的正文和标准统计:头条位置标为未联入,join_article_review.py 也不采集评论或主页资料。哈希只说明保存的字节没有变化,不证明文章主张属实,也不独立认证文章的网络来源。
交付一张什么样的审核表?
每个需求列都要有实际来源、观察时点和状态,或者写明尚未取得、不支持的原因。把“候选判断、原句、自己的解释、下一步”作为人工审核内容,与接口事实分开。数字看起来正常但显隐状态异常时,保留原值和显隐标志;没有头条证据就不要填 1。
join_article_review.py 每批接受 1–5 篇文章。20 篇需要四份明确的配对清单和四个新输出目录,另外还要检查批次之间是否重复;join_article_review.py 不会一条命令自动取得 20 篇的所有字段。任一配对校验失败时,保留整批输入并排查原因,不要悄悄丢掉失败的文章让交付看起来完整。
下面先逐项列出字段来源,再给出可离线运行的正文/统计联表。依据:所列各动作公开的输出合同。账号私有数据和完整页面覆盖不在所列字段范围内。
文章正文、身份与发布时间
使用 data:wechat_mp.v2.fetch_article_detail_h5。下表的公开字段都是可选字段,两种 raw 模式下都位于 data.content;raw=true 只增加元数据,不改变正文路径。
当前固定输出 schema 没有声明 _content_type,不要要求 _content_type 必须出现,也不要把 _content_type 缺失推断成经典图文。本地导出与联表只在 _content_type 缺失或明确标为 article 时继续,遇到其他显式值就停下人工核对;这是本地的保守校验规则,不是动作返回分类的保证。图片页或额外元数据也不能证明整个可见页面已读。正文阅读工作流记录“仅返回文本”的范围,并把引用逐字核对到保存的来源文本。
头条/次条要从文章列表取
wechat_mp.v2.fetch_account_articles 使用 raw:false、文章栏 item_show_type:0 时,读取 data.articles[].idx:1 为头条,更大的值是同一次群发内的次条位置。账号编号、app_msg_id 和 idx 一起保留,用群发内的位置判断,不用页面行号。
头条次条筛选提供离线导出、位置未知的处理和原始来源证据。从链接推导身份时用链接审计;只有短链接时拿不到 idx。
互动指标要选对统计接口
标准统计 raw:true 带 show_* 展示标记。隐藏、字段缺失、null、展示阈值和实际的零必须分开;改用 H5 统计不能恢复阅读数。指标审核表导出为每个指标保留 action、URL、采集时间、原值和状态。
评论、回复与账号主页
评论和回复是两种请求。一级评论 fetch_article_comments 用 buffer 翻页;fetch_comment_replies 选定一个 content_id,用整数 offset 翻页。需要更多回复时,按 fetch_comment_replies 的 offset 续页。评论数不等于已采集的评论,一页不等于全部讨论,也不承诺取得隐藏或未公开的留言。编号与精度规则说明了为什么出现不安全的无引号大数字编号时,必须停止依赖这个编号的回复流程;事后转成字符串恢复不了原来的数字。
fetch_account_profile 使用 raw:false 时,文档说明 data 下有 user_name、nick_name、ip_wording、original_article_count、original_content_str、finder_username、finder_nickname 和 ban_type。这些字段分别作为账号身份、展示属地、原创信息、关联视频号身份和原始状态码保存,不改称法律主体、注册地址、精确粉丝数或完整历史。fetch_account_profile 这条路线明确不提供 signature 和 head_url,空值不是用户主动留空。见账号字段与主体边界。
账号主页列表用 item_show_type 选栏:0 文章、5 视频、7 音频、8 图文贴图。每个账号、每个栏目单独保留游标;主页列表不是视频号查询。已存页导出和真实的 next_offset 规则见栏目与翻页。
公众号公开目录没有专门查询企业主体的动作:登记主体用公开登记资料核对,粉丝数和赞赏收入到你有权访问的后台查。不要从昵称填注册号,也不要从阅读数推算粉丝。赞赏金额、私有受众分析和未选取的评论不在字段对照范围内。
五篇文章审核,别把所有接口都买一遍
- 从五个确切的公开文章 URL 开始,保存每个请求 URL,不暗中合并长短链别名。调用之前先确定交付哪些列。
- 五篇文章都要标题和正文时,计划五次 H5 详情查询;还要互动数据时,再加五次标准统计。每个动作的单价见 BeatAPI 价格页。
- 需要头条位置时,复用已保存、含这篇文章身份的列表,或单独预算所需的列表页。十次详情和统计请求拿不到五篇文章的位置。主页资料、评论页和选定的回复页也按需要另计请求。
- 用上面链接的正文导出器和统计导出器保留原始响应和哈希。按保存的“请求—文章”对应关系关联,不按标题连接。每个请求 ID 和这次请求的采集时间一起记录;先后调用不是原子快照。
- 按保存的请求映射,用下方的
join_article_review.py合并正文和标准统计导出。每篇文章交付一行:请求 URL、标题、账号编号、发布时间、正文和指标来源文件、指标观察时间,每个所需指标旁边再有状态列。有列表证据才填头条位置。缺失保持缺失;不提供、隐藏和阈值都加注释,不填零。把全文复制进摘要格不算完成分析。
合成示例:来源标题是“示例”,read_num:null、show_read:false,且没有头条证据。这一行交付标题“示例”、阅读 null 并标记隐藏、位置未知;不是零阅读,不是头条,也不是文章失败。
交付前核对两行
从表里选一行数据齐全的和一行有空值的,分别打开两篇原文,对照保存的详情、统计和列表记录。请同事确认能看出每个数的采集时间,以及每个空值是缺字段、隐藏还是查询失败。
把已有正文和标准统计实际合成一张审核表
先分别运行正文来源导出器和指标导出器。联表复用这两个导出器的输出,不再查询。准备 pairs.json,每条记录明确指向一篇来源记录、一个指标目录,以及 evidence.json 中 requests 的第几个元素(从 1 开始):
保留每条来源记录引用的原始 wechat-article.json。配对路径相对于 pairs.json;记录内部的 source_file 相对于这条来源记录所在目录(已经是绝对路径的保持不变)。最多五对,逐对手工选定,不按标题猜配,也不自动合并短长链别名。详情和统计两边记录的原请求 URL 必须逐字相同,不拿正文返回的另一个 link 暗中替代匹配键。
把下面的代码保存为 join_article_review.py,运行 python3 join_article_review.py pairs.json article-review:
新目录里的 article-review.csv 每篇文章一行,正文和统计分别保留采集时间和请求编号,每项指标有 value/state/raw/visibility_raw 四列。review-evidence.json 和归档原件保留文件哈希;CSV 单元格加的安全前缀不改变归档原文。join_article_review.py 从原始统计重新分类,不信任可编辑的 metrics.csv 数值,还核对来源记录的标题、账号、正文和发布时间与详情原件一致。
position_state 固定为 not_joined,因为 join_article_review.py 不联入列表里的头条证据;join_article_review.py 也不采集评论、回复或主页资料。只有整批校验通过才生成审核表;校验失败时修正来源配对,不要删掉校验或默默丢掉失败的文章。文件系统写入失败时,把这次输出视为不完整;原始输入保持不变,半张表不算验收通过。
哈希证明归档字节一致,不证明文章内容真实,也不独立认证可编辑请求元数据的网络来源。原始正文、指标和证据目录可能含私有工作信息,默认在本地保管;分享时另做核对过的脱敏副本。本地生成不产生新的 BeatAPI 请求。

