MCP微信公众号爬虫

基于 FastMCP 框架构建的微信公众号文章爬虫系统，让AI智能体能够直接访问和分析微信公众号内容。通过MCP (Model Context Protocol) 标准协议，实现AI智能体与Selenium爬虫的无缝集成。

🎯 项目背景

在使用AI平台或智能体时，我们发现智能体无法直接访问微信公众号文章内容。为了解决这个问题，我们开发了这个基于MCP协议的爬虫服务，让AI智能体能够获取和分析微信公众号的内容。

✨ 核心特性

• 🤖 FastMCP框架 - 基于FastMCP高级封装，简化MCP服务器开发
• 🕷️ 智能爬虫 - 使用Selenium自动化浏览器，支持动态内容抓取
• 🖼️ 图片处理 - 自动下载文章图片并转换为本地文件
• 📊 内容分析 - 提供文章统计、关键词提取等分析功能
• 🔌 标准协议 - 完全兼容MCP 1.0+规范，支持stdio通信
• 🎯 AI集成 - 可与Claude Desktop、ChatGPT等AI智能体无缝集成
• 💻 多种接口 - 提供Python API和交互式命令行界面
• 🧪 依赖检查 - 自动检测和安装缺失的依赖包
• 📁 数据存储 - 支持多种格式文件保存（JSON、TXT）
• 🚀 性能优化 - 内存和CPU使用优化

🏗️ 系统架构

graph TB
    subgraph "AI智能体层"
        A[Claude Desktop]
        B[ChatGPT]
        C[其他AI智能体]
    end
    
    subgraph "MCP协议层"
        D[MCP客户端]
        E[stdio通信]
        F[MCP服务器<br/>FastMCP]
    end
    
    subgraph "爬虫引擎层"
        G[Selenium WebDriver]
        H[Chrome浏览器]
        I[图片下载器]
    end
    
    subgraph "数据存储层"
        J[JSON文件]
        K[TXT文件]
        L[图片文件]
    end
    
    A --> D
    B --> D
    C --> D
    D <--> E
    E <--> F
    F --> G
    G --> H
    F --> I
    G --> J
    G --> K
    I --> L

🔧 核心组件

1. FastMCP服务器 (src/mcp_weixin_spider/server.py)

• 基于FastMCP框架的高级封装
• 提供3个核心工具：文章爬取、内容分析、统计信息
• 单例模式管理Selenium爬虫实例
• 完整的错误处理和参数验证
• 支持模块化启动和命令行脚本调用

2. MCP标准客户端 (src/mcp_weixin_spider/client.py)

• 标准MCP协议客户端实现
• 异步通信和会话管理
• 交互式命令行界面
• Python API接口
• 支持通过命令行脚本启动

3. 模块入口 (src/mcp_weixin_spider/__main__.py)

• 统一的模块启动入口
• 支持server和client两种运行模式
• 提供清晰的命令行帮助信息

4. 配置管理 (src/mcp_weixin_spider/config.py)

• TOML格式配置文件支持
• 环境变量覆盖机制
• 类型安全的配置访问

5. Selenium爬虫引擎 (src/mcp_weixin_spider/spider.py)

• Chrome浏览器自动化控制
• 智能ChromeDriver管理（自动安装和路径检测）
• 反爬虫机制处理
• 图片下载和格式转换
• 多格式文件保存
• 内存和性能优化

6. 依赖检查器 (src/mcp_weixin_spider/spider.py)

• 自动检测系统依赖
• 提供详细的依赖缺失信息
• 支持一键安装缺失依赖

📁 项目结构

MCPWeChatOfficialAccounts/
├── src/
│   └── mcp_weixin_spider/
│       ├── __init__.py         # 包初始化文件
│       ├── __main__.py         # 模块入口点
│       ├── client.py           # MCP客户端实现
│       ├── config.py           # 配置管理
│       ├── exceptions.py       # 异常定义
│       ├── main.py             # 主函数
│       ├── server.py           # FastMCP服务器实现
│       └── spider.py           # Selenium爬虫引擎
├── weixin_spider.py            # 爬虫测试脚本
├── config.toml                 # 主配置文件
├── config.toml.example         # 配置文件示例
├── LICENSE                     # 许可证文件
├── pyproject.toml              # 项目元数据和依赖管理
└── README.md                   # 项目文档

🚀 快速开始

📋 环境要求

• Python: 3.10+
• 浏览器: Chrome/Chromium (自动管理ChromeDriver)
• 系统: macOS/Windows/Linux

📦 安装步骤

传统安装（使用源码）

# 1. 克隆项目
git clone https://github.com/example/mcp-weixin-spider.git
cd MCPWeChatOfficialAccounts

# 2. 安装依赖
pip install .

# 3. 开发模式安装（可选，用于开发人员）
pip install -e .[dev]

使用pip安装

# 安装最新版本
pip install mcp-weixin-spider

⚙️ 配置管理

项目使用TOML格式的配置文件，支持通过配置文件和环境变量进行配置。

配置文件

配置文件说明：

[spider]
headless = true          # 是否使用无头模式运行浏览器
wait_time = 10           # 页面等待时间（秒）
download_images = true   # 是否下载文章中的图片
browser = "chrome"        # 浏览器类型，支持'chrome'和'edge'
chrome_driver_path = ""   # ChromeDriver路径（可选，自动管理时可留空）
edge_driver_path = ""     # EdgeDriver路径（可选，自动管理时可留空）
articles_dir = ".temp"     # 文章保存目录
images_dir = ".images"    # 图片保存目录

[mcp]
server_name = "mcp-weixin-spider" # MCP服务器名称
transport = "stdio"         # 传输方式（stdio或tcp）
debug = false              # 是否启用调试模式

[log]
level = "INFO"              # 日志级别（DEBUG, INFO, WARNING, ERROR, CRITICAL）
format = "%(asctime)s - %(name)s - %(levelname)s - %(message)s" # 日志格式
file = ""                   # 日志文件路径（可选，留空则输出到控制台）

环境变量

支持通过环境变量覆盖配置文件中的设置：

环境变量	对应配置项	说明
HEADLESS	spider.headless	是否使用无头模式
DOWNLOAD_IMAGES	spider.download_images	是否下载图片
WAIT_TIME	spider.wait_time	页面等待时间
BROWSER	spider.browser	浏览器类型（chrome或edge）
CHROME_DRIVER_PATH	spider.chrome_driver_path	ChromeDriver路径（可选）
EDGE_DRIVER_PATH	spider.edge_driver_path	EdgeDriver路径（可选）
ARTICLES_DIR	spider.articles_dir	文章保存目录
IMAGES_DIR	spider.images_dir	图片保存目录
MCP_SERVER_NAME	mcp.server_name	MCP服务器名称
MCP_TRANSPORT	mcp.transport	传输方式（stdio或tcp）
MCP_DEBUG	mcp.debug	是否启用调试模式
LOG_LEVEL	log.level	日志级别
LOG_FILE	log.file	日志文件路径

🎮 启动方式

使用命令行脚本（推荐）

# 启动MCP服务器（默认模式）
mcp-weixin-spider

使用模块化启动

# 启动MCP服务器（默认模式）
python -m mcp_weixin_spider

# 启动MCP服务器（显式指定server模式）
python -m mcp_weixin_spider server

# 启动交互式客户端
python -m mcp_weixin_spider client

测试爬虫功能

# 运行爬虫测试脚本
python weixin_spider.py

🛠️ MCP工具接口

工具列表

工具名称	功能描述	参数	返回值
crawl_weixin_article	爬取微信公众号文章	url: 文章URLdownload_images: 是否下载图片custom_filename: 自定义文件名	包含文章内容的JSON对象
analyze_article	分析文章内容	article_content: 文章内容	分析结果（关键词、统计信息等）
get_article_stats	获取文章统计信息	article_content: 文章内容	文章统计数据

👨‍💻 开发指南

开发环境设置

# 克隆项目
git clone https://github.com/example/mcp-weixin-spider.git
cd MCPWeChatOfficialAccounts

# 安装开发依赖
pip install -e .[dev]

# 运行代码格式化
black src/ weixin_spider.py

# 运行代码检查
flake8 src/ weixin_spider.py

# 运行类型检查
mypy src/

项目构建

# 构建项目
python -m build

# 生成的包文件将位于 dist/ 目录

测试

# 运行爬虫测试
python weixin_spider.py

贡献指南

1. 遵循PEP 8编码规范
2. 使用Black进行代码格式化
3. 添加适当的类型注解
4. 确保所有代码通过flake8检查
5. 撰写清晰的提交信息
6. 提交前运行所有检查命令

⚠️ 注意事项

1. 使用频率：请勿过度频繁使用爬虫，避免给微信服务器造成压力
2. 合法性：请确保您的爬取行为符合相关法律法规和微信公众平台的使用条款
3. Chrome版本：建议使用最新版本的Chrome浏览器，以获得最佳兼容性
4. 内存使用：长时间运行可能会消耗较多内存，建议定期重启服务
5. 网络环境：请确保网络环境稳定，避免因网络问题导致爬取失败

📄 许可证

Apache License 2.0

📝 更新日志

v0.1.0 (2026-03-13)

• 初始版本发布
• 实现微信公众号文章爬取功能
• 支持MCP协议
• 支持图片下载和保存
• 提供AI智能体集成接口