公众号多图转PDF

问题：微信长图内容难以归档

微信公众号文章的正文常是一整张长图或书页扫描图。想把它们存成 PDF 会撞上两个坑：一是微信反爬——用普通浏览器 UA 请求会被 verify.js 拦截，返回 17KB 验证页而非正文；二是提取文字不难，但保留图片排版、按章节目录批量处理很难做好。本技能只做一件事：把正文图片按序抓下来拼成 PDF，不提取文字。

工作原理

核心抓取策略：UA 必须用微信内置浏览器（MicroMessenger）。图片取 js_content 容器内 <img> 的 data-src（不是 src），域名严格匹配 mmbiz.qpic.cn 全域名，否则会混入 res.wx.qq.com 的 JS 引用导致下载失败。

两种使用模式：

• 单篇：给一个 mp.weixin.qq.com/s/ 链接，抓图合成 PDF。文件名优先用 --name，其次文章标题（自动清洗“（章节目录索引）”这类后缀），最后用链接标识兜底。
• 批量：给一个目录索引页，解析全部章节链接并按 (mid, idx, sn) 去重；--scope 可按“第一章”等关键词过滤；自动推导两级文件夹，文件按目录条目标题命名，完成后生成 _report.txt 核对报告。

针对实测踩坑的兜底逻辑：

• 正文由 JS 动态渲染、无静态 js_content 容器时，回退从脚本数据里的 cdn_url 字段提取图片，并排除封面与头像
• 广告、小程序卡片、音视频组件（class 含 mp-common、qqmusic 等特征）整块切除
• webp 图片先经 Pillow 转 png 再交给 img2pdf
• 限速：图片间 sleep 0.4、文章间 sleep 1.5，避免频控封 IP

自检机制：抓取失败按 5 套 UA/请求头策略池自动换组合重试并诊断原因（反爬、链接失效、网络错误、内容异常）；每篇合成后用 pypdf 校验可打开且页数 > 0；批量跑完对失败项自动重试一轮；--skip-existing 支持断点续传。

适用边界

• 只转图片，不提取文字：图文混排文章的纯文字段落不会进 PDF，适合书页扫描、长图类内容
• 只处理微信公众号文章链接，触发基于“公众号图片内容 → PDF”的能力意图
• 小于 5KB 或宽度小于 200px 的无关小图会被过滤，正常书页不会误杀
• 链接须含 __biz/mid/idx/sn 参数才能定位文章