wechat-article-parser 0.0.13__tar.gz → 0.0.15__tar.gz

{wechat_article_parser-0.0.13 → wechat_article_parser-0.0.15}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.5
 Name: wechat-article-parser
-Version: 0.0.13
+Version: 0.0.15
 Summary: WeChat MP article parser - extract metadata and content from WeChat public account articles
 License-Expression: MIT
 License-File: LICENSE
@@ -37,6 +37,7 @@ Markdown 转换前会展开无格式作用的 `span`，合并嵌套的重复加
 图文正文仅包含视频号视频卡片或微信视频 iframe 时，Markdown 返回“这是一篇纯视频内容。”。
 正文只有付费预览占位标签时，Markdown 返回“这是一篇付费内容，正文需付费后查看。”，
 并保留公开元数据；已有的可见预览正文仍正常提取。
+返回字段 `article_is_paid` 独立标记文章是否付费，有可见预览正文时也会识别。
 图文中的公众号推荐卡片按原文顺序转换为 `**公众号名称**：简介`，每张卡片一段；
 名称或简介缺失时，仅输出已有字段。
 图文正文仅包含商品广告卡片（`mp-common-cpsad`）时，Markdown 返回“这是一篇商品推荐内容。”；
@@ -108,6 +109,17 @@ result = parse(
 )
 ```
 
+### 长链接
+
+同步和异步接口均支持短链接 `/s/<22位文章ID>` 和长链接 `/s?__biz=...&mid=...&idx=...&sn=...&chksm=...`。
+根据原始输入 URL 识别链接类型：协议须为 HTTP/HTTPS，域名须为 `mp.weixin.qq.com`。
+长链接路径须为 `/s`，且 `__biz`、`mid`、`idx`、`sn`、`chksm` 五个查询参数必须都存在且有值，
+空字符串或纯空白不算有效值；重复参数中的每个值也须非空白。额外查询参数和片段不影响识别。
+未满足识别条件时，`article_url_type` 为 `unknown`，仍尝试解析页面，不额外抛出链接校验异常。
+
+长链接返回的 `article_id` 为空，其他字段继续从页面提取。
+只有识别为 `long` 时，`is_valid` 才允许缺少 `article_id`。
+
 ## 返回结构
 
 `parse` 和 `parse_async` 均返回 `ArticleResult` 数据类，包含以下字段：
@@ -122,7 +134,8 @@ result = parse(
 | `mp_image` | `str` | 公众号头像链接 |
 | `mp_description` | `str` | 公众号简介 |
 | `mp_account_type` | `AccountType` | 账号类型：`AccountType.SUBSCRIPTION`（订阅号）/ `AccountType.SERVICE`（服务号）/ `AccountType.UNKNOWN`（未识别） |
-| `article_id` | `str` | 文章 ID |
+| `article_id` | `str` | 短链接中的文章 ID；长链接为空字符串 |
+| `article_url_type` | `ArticleURLType` | 输入链接类型：`short`、`long` 或 `unknown`（默认）；可从包顶层导入枚举，支持字符串比较和 JSON 序列化 |
 | `article_msg_id` | `int` | 文章所在的群发消息 ID |
 | `article_idx` | `int` | 群发图文中的位置（从 1 开始） |
 | `article_sn` | `str` | 文章签名（防伪校验） |
@@ -131,16 +144,31 @@ result = parse(
 | `article_description` | `str` | 文章摘要 |
 | `article_markdown` | `str` | 文章正文的 Markdown 内容；视频或音频分享没有文字附言时可为空 |
 | `article_publish_time` | `int` | 发布时间（Unix 时间戳） |
+| `article_is_paid` | `bool` | 是否检测到当前文章的付费标记，默认 `False`；不表示是否已获取付费全文 |
 | `article_display_type` | `ArticleDisplayType` | 文章展示类型：`article`、`video`、`audio`、`image`、`text` 或 `unknown` |
 | `article_item_show_type` | `int \| None` | 微信页面中的原始展示类型：`0` 图文、`5` 视频、`7` 音频、`8` 图片轮播、`10` 文字；其他已提取的数值原样保留，缺失或无法解析时为 `None` |
 | `raw_html` | `str` | 原始 HTML 网页源代码（仅在 `include_raw_html=True` 时填充，否则为空字符串） |
 | `images` | `list[str]` | 文章中提取的所有图片链接 |
 | `is_valid` | `bool` | 关键字段是否全部解析成功（属性） |
 
-`is_valid` 为 `True` 的条件：`mp_id`、`mp_name`、`article_id`、`article_msg_id`、`article_idx`、`article_sn`、`article_title`、`article_publish_time` 均不为空/零，且 `article_markdown` 非空或 `article_display_type in ("video", "audio")`。视频和音频分享允许没有文字正文，仍须满足其他关键字段要求；有效性不表示已获取视频或音频文件。
+`is_valid` 为 `True` 的条件：`mp_id`、`mp_name`、`article_msg_id`、`article_idx`、`article_sn`、`article_title`、`article_publish_time` 均不为空/零，且 `article_markdown` 非空或 `article_display_type in ("video", "audio")`。
+此外，`article_url_type == "long"` 时允许 `article_id` 为空；短链接和未识别链接仍要求 `article_id` 非空。
+视频和音频分享允许没有文字正文，仍须满足其他关键字段要求；有效性不表示已获取视频或音频文件。
 
 付费受限页面返回提示且关键元数据完整时，`is_valid` 也为 `True`，这不表示已获取付费正文。
 
+### 判断是否为付费文章
+
+```python
+result = parse("https://mp.weixin.qq.com/s/xxxxx")
+print(result.article_is_paid)  # True：识别为付费文章
+```
+
+`article_is_paid` 根据页面全局或 `window.cgiDataNew` 直接属性中的 `is_pay_subscribe`，
+以及正文中的 `mp-pay-preview-filter` 标签识别；未检测到付费标记时返回 `False`。
+该字段包含在 `dataclasses.asdict(result)` 中，JSON 序列化为布尔值。
+有可见预览或可访问正文的付费文章仍返回 `True`，正文按原有逻辑提取。
+
 ### 判断文章展示类型
 
 `ArticleDisplayType` 是字符串枚举，既支持枚举比较，也支持语义字符串比较：

{wechat_article_parser-0.0.13 → wechat_article_parser-0.0.15}/README.md

@@ -22,6 +22,7 @@ Markdown 转换前会展开无格式作用的 `span`，合并嵌套的重复加
 图文正文仅包含视频号视频卡片或微信视频 iframe 时，Markdown 返回“这是一篇纯视频内容。”。
 正文只有付费预览占位标签时，Markdown 返回“这是一篇付费内容，正文需付费后查看。”，
 并保留公开元数据；已有的可见预览正文仍正常提取。
+返回字段 `article_is_paid` 独立标记文章是否付费，有可见预览正文时也会识别。
 图文中的公众号推荐卡片按原文顺序转换为 `**公众号名称**：简介`，每张卡片一段；
 名称或简介缺失时，仅输出已有字段。
 图文正文仅包含商品广告卡片（`mp-common-cpsad`）时，Markdown 返回“这是一篇商品推荐内容。”；
@@ -93,6 +94,17 @@ result = parse(
 )
 ```
 
+### 长链接
+
+同步和异步接口均支持短链接 `/s/<22位文章ID>` 和长链接 `/s?__biz=...&mid=...&idx=...&sn=...&chksm=...`。
+根据原始输入 URL 识别链接类型：协议须为 HTTP/HTTPS，域名须为 `mp.weixin.qq.com`。
+长链接路径须为 `/s`，且 `__biz`、`mid`、`idx`、`sn`、`chksm` 五个查询参数必须都存在且有值，
+空字符串或纯空白不算有效值；重复参数中的每个值也须非空白。额外查询参数和片段不影响识别。
+未满足识别条件时，`article_url_type` 为 `unknown`，仍尝试解析页面，不额外抛出链接校验异常。
+
+长链接返回的 `article_id` 为空，其他字段继续从页面提取。
+只有识别为 `long` 时，`is_valid` 才允许缺少 `article_id`。
+
 ## 返回结构
 
 `parse` 和 `parse_async` 均返回 `ArticleResult` 数据类，包含以下字段：
@@ -107,7 +119,8 @@ result = parse(
 | `mp_image` | `str` | 公众号头像链接 |
 | `mp_description` | `str` | 公众号简介 |
 | `mp_account_type` | `AccountType` | 账号类型：`AccountType.SUBSCRIPTION`（订阅号）/ `AccountType.SERVICE`（服务号）/ `AccountType.UNKNOWN`（未识别） |
-| `article_id` | `str` | 文章 ID |
+| `article_id` | `str` | 短链接中的文章 ID；长链接为空字符串 |
+| `article_url_type` | `ArticleURLType` | 输入链接类型：`short`、`long` 或 `unknown`（默认）；可从包顶层导入枚举，支持字符串比较和 JSON 序列化 |
 | `article_msg_id` | `int` | 文章所在的群发消息 ID |
 | `article_idx` | `int` | 群发图文中的位置（从 1 开始） |
 | `article_sn` | `str` | 文章签名（防伪校验） |
@@ -116,16 +129,31 @@ result = parse(
 | `article_description` | `str` | 文章摘要 |
 | `article_markdown` | `str` | 文章正文的 Markdown 内容；视频或音频分享没有文字附言时可为空 |
 | `article_publish_time` | `int` | 发布时间（Unix 时间戳） |
+| `article_is_paid` | `bool` | 是否检测到当前文章的付费标记，默认 `False`；不表示是否已获取付费全文 |
 | `article_display_type` | `ArticleDisplayType` | 文章展示类型：`article`、`video`、`audio`、`image`、`text` 或 `unknown` |
 | `article_item_show_type` | `int \| None` | 微信页面中的原始展示类型：`0` 图文、`5` 视频、`7` 音频、`8` 图片轮播、`10` 文字；其他已提取的数值原样保留，缺失或无法解析时为 `None` |
 | `raw_html` | `str` | 原始 HTML 网页源代码（仅在 `include_raw_html=True` 时填充，否则为空字符串） |
 | `images` | `list[str]` | 文章中提取的所有图片链接 |
 | `is_valid` | `bool` | 关键字段是否全部解析成功（属性） |
 
-`is_valid` 为 `True` 的条件：`mp_id`、`mp_name`、`article_id`、`article_msg_id`、`article_idx`、`article_sn`、`article_title`、`article_publish_time` 均不为空/零，且 `article_markdown` 非空或 `article_display_type in ("video", "audio")`。视频和音频分享允许没有文字正文，仍须满足其他关键字段要求；有效性不表示已获取视频或音频文件。
+`is_valid` 为 `True` 的条件：`mp_id`、`mp_name`、`article_msg_id`、`article_idx`、`article_sn`、`article_title`、`article_publish_time` 均不为空/零，且 `article_markdown` 非空或 `article_display_type in ("video", "audio")`。
+此外，`article_url_type == "long"` 时允许 `article_id` 为空；短链接和未识别链接仍要求 `article_id` 非空。
+视频和音频分享允许没有文字正文，仍须满足其他关键字段要求；有效性不表示已获取视频或音频文件。
 
 付费受限页面返回提示且关键元数据完整时，`is_valid` 也为 `True`，这不表示已获取付费正文。
 
+### 判断是否为付费文章
+
+```python
+result = parse("https://mp.weixin.qq.com/s/xxxxx")
+print(result.article_is_paid)  # True：识别为付费文章
+```
+
+`article_is_paid` 根据页面全局或 `window.cgiDataNew` 直接属性中的 `is_pay_subscribe`，
+以及正文中的 `mp-pay-preview-filter` 标签识别；未检测到付费标记时返回 `False`。
+该字段包含在 `dataclasses.asdict(result)` 中，JSON 序列化为布尔值。
+有可见预览或可访问正文的付费文章仍返回 `True`，正文按原有逻辑提取。
+
 ### 判断文章展示类型
 
 `ArticleDisplayType` 是字符串枚举，既支持枚举比较，也支持语义字符串比较：

{wechat_article_parser-0.0.13 → wechat_article_parser-0.0.15}/pyproject.toml

@@ -4,7 +4,7 @@ build-backend = "hatchling.build"
 
 [project]
 name = "wechat-article-parser"
-version = "0.0.13"
+version = "0.0.15"
 description = "WeChat MP article parser - extract metadata and content from WeChat public account articles"
 readme = "README.md"
 requires-python = ">=3.10"

{wechat_article_parser-0.0.13 → wechat_article_parser-0.0.15}/src/wechat_article_parser/__init__.py

@@ -1,4 +1,4 @@
-from .models import AccountType, ArticleDisplayType, ArticleResult, WeChatVerifyError
+from .models import AccountType, ArticleDisplayType, ArticleResult, ArticleURLType, WeChatVerifyError
 from .parser import parse, parse_async
 
 __all__ = [
@@ -7,5 +7,6 @@ __all__ = [
     "ArticleResult",
     "AccountType",
     "ArticleDisplayType",
+    "ArticleURLType",
     "WeChatVerifyError",
 ]

{wechat_article_parser-0.0.13 → wechat_article_parser-0.0.15}/src/wechat_article_parser/models.py

@@ -22,6 +22,20 @@ class AccountType(str, Enum):
         return format(self.value, format_spec)
 
 
+class ArticleURLType(str, Enum):
+    """输入链接类型；仅通过长链接校验时才允许缺少文章 ID。"""
+
+    UNKNOWN = "unknown"
+    SHORT = "short"
+    LONG = "long"
+
+    def __str__(self) -> str:
+        return self.value
+
+    def __format__(self, format_spec: str) -> str:
+        return format(self.value, format_spec)
+
+
 class ArticleDisplayType(str, Enum):
     """文章展示类型，支持枚举和语义字符串比较。"""
 
@@ -76,13 +90,19 @@ class ArticleResult:
     # 当前公众号的页面全局 user_name，未提取到时为空字符串。
     mp_user_name: str = ""
 
+    # 页面是否包含当前文章的付费标记；不表示是否已获取付费全文。
+    article_is_paid: bool = False
+
+    # 根据原始输入 URL 识别，不根据 article_id 是否为空反推。
+    article_url_type: ArticleURLType = ArticleURLType.UNKNOWN
+
     @property
     def is_valid(self) -> bool:
         """检查关键字段是否解析成功；视频和音频分享允许正文为空。"""
         return bool(
             self.mp_id
             and self.mp_name
-            and self.article_id
+            and (self.article_id or self.article_url_type == ArticleURLType.LONG)
             and self.article_msg_id
             and self.article_idx
             and self.article_sn

{wechat_article_parser-0.0.13 → wechat_article_parser-0.0.15}/src/wechat_article_parser/parser.py

@@ -7,13 +7,13 @@ import html as html_module
 import re
 from collections import deque
 from dataclasses import replace
-from urllib.parse import unquote
+from urllib.parse import parse_qs, unquote, urlsplit
 
 import httpx
 from bs4 import BeautifulSoup, Tag
 from markdownify import MarkdownConverter
 
-from .models import AccountType, ArticleDisplayType, ArticleResult, WeChatVerifyError
+from .models import AccountType, ArticleDisplayType, ArticleResult, ArticleURLType, WeChatVerifyError
 
 _USER_AGENT = (
     "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) "
@@ -216,10 +216,33 @@ def _extract_picture_cdn_urls(script_text: str) -> list[str]:
 # 内部提取函数
 # ---------------------------------------------------------------------------
 
+def _extract_article_url_type(url: str) -> ArticleURLType:
+    """识别输入链接；长链接的五个必需参数均须存在且非空白。"""
+    try:
+        parts = urlsplit(url)
+    except ValueError:
+        return ArticleURLType.UNKNOWN
+    if (
+        parts.scheme not in ("http", "https")
+        or parts.hostname != "mp.weixin.qq.com"
+        or parts.username is not None
+        or parts.password is not None
+    ):
+        return ArticleURLType.UNKNOWN
+    if re.fullmatch(r"/s/[A-Za-z0-9_-]{22}", parts.path):
+        return ArticleURLType.SHORT
+    if parts.path == "/s":
+        params = parse_qs(parts.query, keep_blank_values=True)
+        required = ("__biz", "mid", "idx", "sn", "chksm")
+        # 保留空值，重复参数中出现空值也不能放行。
+        if all(key in params and all(value.strip() for value in params[key]) for key in required):
+            return ArticleURLType.LONG
+    return ArticleURLType.UNKNOWN
+
+
 def _extract_article_id(url: str) -> str:
-    parts = url.split("/")
-    if len(parts) == 5 and len(parts[4]) == 22:
-        return parts[4]
+    if _extract_article_url_type(url) == ArticleURLType.SHORT:
+        return urlsplit(url).path.rsplit("/", 1)[1]
     return ""
 
 
@@ -272,6 +295,69 @@ def _extract_item_show_type(scripts: list[Tag]) -> int | None:
     return None
 
 
+def _extract_is_paid(soup: BeautifulSoup, scripts: list[Tag]) -> bool:
+    """识别当前文章的付费标记，排除正文外占位符和嵌套推荐文章的数据。"""
+    if soup.select_one(
+        "div.rich_media_content mp-pay-preview-filter, "
+        "div.original_page mp-pay-preview-filter"
+    ) is not None:
+        return True
+
+    for script in scripts:
+        if "is_pay_subscribe" not in script.text:
+            continue
+        tokens = [
+            match.group() for match in _JS_DATA_TOKEN_RE.finditer(script.text)
+            if match.lastgroup != "comment"
+        ]
+        stack: list[str] = []
+        cgi_depth: int | None = None
+        for i, token in enumerate(tokens):
+            if token == "{":
+                if (
+                    tokens[max(0, i - 4):i] == ["window", ".", "cgiDataNew", "="]
+                    and (i < 5 or tokens[i - 5] != ".")
+                ):
+                    cgi_depth = len(stack) + 1
+                stack.append(token)
+            elif token in ("[", "("):
+                stack.append(token)
+            elif token in ("}", "]", ")"):
+                if stack and stack[-1] == {"}": "{", "]": "[", ")": "("}[token]:
+                    if len(stack) == cgi_depth:
+                        cgi_depth = None
+                    stack.pop()
+            if token.strip("\"'") != "is_pay_subscribe":
+                continue
+            is_global = token == "is_pay_subscribe" and (
+                (not stack and i > 0 and tokens[i - 1] in ("var", "let", "const"))
+                or (
+                    tokens[max(0, i - 2):i] == ["window", "."]
+                    and (i < 3 or tokens[i - 3] != ".")
+                )
+            )
+            is_cgi_field = (
+                cgi_depth is not None and len(stack) == cgi_depth
+                and i > 0 and tokens[i - 1] in ("{", ",")
+            )
+            separator = tokens[i + 1:i + 2]
+            if not (
+                (is_global and separator == ["="])
+                or (is_cgi_field and separator == [":"])
+            ):
+                continue
+            # 仅识别页面使用的字面量及乘 1 转数值写法，不执行 JS 表达式。
+            value = tokens[i + 2:i + 3]
+            if value not in (["1"], ["'1'"], ['"1"'], ["true"]):
+                continue
+            end = i + 3
+            if value != ["true"] and tokens[end:end + 2] == ["*", "1"]:
+                end += 2
+            if end == len(tokens) or tokens[end] in (",", ";", "}"):
+                return True
+    return False
+
+
 def _extract_user_name(scripts: list[Tag]) -> str:
     """读取全局 user_name，缺失时读取 window.cgiDataNew 的直接属性。
 
@@ -469,6 +555,8 @@ def _extract_rich_media_content(content_tag: Tag, result: ArticleResult) -> None
     """将 rich_media_content 区块转换为 Markdown。"""
     # prettify 会在行内标签之间插入空白，改变代码和引用链接的内容。
     soup = BeautifulSoup(str(content_tag), "html.parser")
+    if soup.find("mp-pay-preview-filter") is not None:
+        result.article_is_paid = True
     has_video = soup.select_one(
         'mp-common-videosnap[data-type="video"], iframe.video_iframe, iframe.wx_video_iframe'
     ) is not None
@@ -774,12 +862,15 @@ def _parse_html(url: str, html: str) -> ArticleResult:
     result = ArticleResult()
     soup = BeautifulSoup(html, "html.parser")
 
+    result.article_url_type = _extract_article_url_type(url)
     result.article_id = _extract_article_id(url)
     _extract_meta(soup, result)
 
     scripts = soup.find_all("script", attrs={"type": "text/javascript"})
 
-    result.mp_user_name = _extract_user_name(soup.find_all("script"))
+    all_scripts = soup.find_all("script")
+    result.mp_user_name = _extract_user_name(all_scripts)
+    result.article_is_paid = _extract_is_paid(soup, all_scripts)
     item_show_type = _extract_item_show_type(scripts)
     result.article_item_show_type = item_show_type
     result.article_display_type = _ARTICLE_DISPLAY_TYPES.get(

wechat_article_parser-0.0.15/tests/test_article_urls.py

@@ -0,0 +1,148 @@
+"""长短链接识别及有效性判断的离线回归测试。"""
+
+from dataclasses import replace
+from urllib.parse import urlencode
+
+import httpx
+import pytest
+
+from wechat_article_parser import ArticleURLType, parser
+
+
+_SHORT_URL = "https://mp.weixin.qq.com/s/ncPoZnxKdvDRLM_s4DBgmA"
+_PARAMS = {
+    "__biz": "MjY2NzgwMjU0MA==",
+    "mid": "2650331950",
+    "idx": "3",
+    "sn": "59630a9449c484f555c71978ee521cd8",
+    "chksm": "ae4b5d1c0343c5bf3af413da074abb54a3d56268937ba1825fa518c6ba4b1c96c34675d15d9e",
+}
+_LONG_URL = "https://mp.weixin.qq.com/s?" + urlencode(_PARAMS)
+_HTML = """
+<meta property="og:title" content="长链接测试文章">
+<div class="rich_media_content"><p>正文</p></div>
+<script type="text/javascript">
+var item_show_type = "0";
+var hd_head_img = "https://example.com/avatar";
+var nickname = htmlDecode("测试公众号");
+var oriCreateTime = '1791884914';
+window.__allowLoadResFromMp = true;
+var biz = "MjY2NzgwMjU0MA==";
+var mid = "2650331950";
+var idx = "3";
+var sn = "59630a9449c484f555c71978ee521cd8";
+</script>
+"""
+
+
+@pytest.mark.parametrize("scheme", ["http", "https"])
+@pytest.mark.parametrize("suffix", ["", "&scene=21#wechat_redirect"])
+def test_long_url_parses_without_article_id(scheme: str, suffix: str) -> None:
+    result = parser._parse_html(_LONG_URL.replace("https:", scheme + ":") + suffix, _HTML)
+
+    assert result.article_url_type is ArticleURLType.LONG
+    assert result.article_id == ""
+    assert result.mp_id == 2667802540
+    assert result.article_msg_id == 2650331950
+    assert result.article_idx == 3
+    assert result.article_sn == _PARAMS["sn"]
+    assert result.article_markdown == "正文"
+    assert result.is_valid
+
+
+@pytest.mark.parametrize("key", _PARAMS)
+@pytest.mark.parametrize("value", [None, "", " \t\n"])
+def test_long_url_requires_each_parameter_with_value(key: str, value: str | None) -> None:
+    params = _PARAMS.copy()
+    if value is None:
+        del params[key]
+    else:
+        params[key] = value
+    result = parser._parse_html("https://mp.weixin.qq.com/s?" + urlencode(params), _HTML)
+
+    assert result.article_url_type is ArticleURLType.UNKNOWN
+    assert result.article_id == ""
+    assert not result.is_valid
+
+
+@pytest.mark.parametrize("key", _PARAMS)
+def test_duplicate_blank_parameter_does_not_pass_validation(key: str) -> None:
+    result = parser._parse_html(_LONG_URL + "&" + key + "=", _HTML)
+    assert result.article_url_type is ArticleURLType.UNKNOWN
+    assert not result.is_valid
+
+
+@pytest.mark.parametrize(
+    "base",
+    [
+        "https://example.com/s",
+        "https://mp.weixin.qq.com.example.com/s",
+        "https://mp.weixin.qq.com@evil.example/s",
+        "https://user@mp.weixin.qq.com/s",
+        "ftp://mp.weixin.qq.com/s",
+        "//mp.weixin.qq.com/s",
+        "https://mp.weixin.qq.com/s/",
+        "https://mp.weixin.qq.com/other",
+        "https://[invalid/s",
+    ],
+)
+def test_unrecognized_url_cannot_skip_article_id(base: str) -> None:
+    result = parser._parse_html(base + "?" + urlencode(_PARAMS), _HTML)
+    assert result.article_url_type is ArticleURLType.UNKNOWN
+    assert not result.is_valid
+
+
+def test_required_parameters_in_fragment_do_not_count() -> None:
+    result = parser._parse_html("https://mp.weixin.qq.com/s#" + urlencode(_PARAMS), _HTML)
+    assert result.article_url_type is ArticleURLType.UNKNOWN
+    assert not result.is_valid
+
+
+@pytest.mark.parametrize("suffix", ["", "?scene=21#wechat_redirect", "?" + urlencode(_PARAMS)])
+def test_short_url_still_requires_article_id(suffix: str) -> None:
+    result = parser._parse_html(_SHORT_URL + suffix, _HTML)
+    assert result.article_url_type is ArticleURLType.SHORT
+    assert result.article_id == "ncPoZnxKdvDRLM_s4DBgmA"
+    assert result.is_valid
+    assert not replace(result, article_id="").is_valid
+
+
+def test_query_parameters_do_not_replace_missing_page_metadata() -> None:
+    result = parser._parse_html(_LONG_URL, '<div class="rich_media_content">正文</div>')
+    assert result.article_url_type is ArticleURLType.LONG
+    assert not result.is_valid
+
+
+@pytest.fixture
+def mock_article_http(monkeypatch):
+    # 重定向到短链接后仍根据原始输入链接识别类型。
+    def respond(request):
+        if request.url.path == "/s":
+            return httpx.Response(302, headers={"Location": _SHORT_URL})
+        return httpx.Response(200, text=_HTML)
+
+    transport = httpx.MockTransport(respond)
+    client, async_client = httpx.Client, httpx.AsyncClient
+    monkeypatch.setattr(
+        parser.httpx, "Client", lambda **kwargs: client(transport=transport, **kwargs),
+    )
+    monkeypatch.setattr(
+        parser.httpx, "AsyncClient", lambda **kwargs: async_client(transport=transport, **kwargs),
+    )
+
+
+def test_sync_public_entry_accepts_long_url(mock_article_http) -> None:
+    result = parser.parse(_LONG_URL, include_raw_html=True)
+    assert result.article_url_type is ArticleURLType.LONG
+    assert result.article_id == ""
+    assert result.is_valid
+    assert result.raw_html == _HTML
+
+
+@pytest.mark.asyncio
+async def test_async_public_entry_accepts_long_url(mock_article_http) -> None:
+    result = await parser.parse_async(_LONG_URL, include_raw_html=True)
+    assert result.article_url_type is ArticleURLType.LONG
+    assert result.article_id == ""
+    assert result.is_valid
+    assert result.raw_html == _HTML

{wechat_article_parser-0.0.13 → wechat_article_parser-0.0.15}/tests/test_models.py

@@ -5,7 +5,7 @@ import json
 
 import pytest
 
-from wechat_article_parser import ArticleDisplayType, ArticleResult
+from wechat_article_parser import ArticleDisplayType, ArticleResult, ArticleURLType
 
 
 _COMPLETE = ArticleResult(
@@ -91,3 +91,53 @@ def test_default_display_type_is_unknown() -> None:
     assert result.article_display_type is ArticleDisplayType.UNKNOWN
     assert result.article_item_show_type is None
     assert not result.is_valid
+
+
+@pytest.mark.parametrize("is_paid", [False, True])
+def test_paid_field_serializes_as_boolean(is_paid: bool) -> None:
+    result = ArticleResult(article_is_paid=is_paid)
+    assert json.loads(json.dumps(asdict(result)))["article_is_paid"] is is_paid
+    assert ArticleResult().article_is_paid is False
+
+
+@pytest.mark.parametrize("url_type", list(ArticleURLType))
+@pytest.mark.parametrize("display_type", list(ArticleDisplayType))
+@pytest.mark.parametrize("markdown", ["", "正文"])
+def test_only_long_url_can_omit_article_id(
+    url_type: ArticleURLType, display_type: ArticleDisplayType, markdown: str,
+) -> None:
+    result = replace(
+        _COMPLETE, article_id="", article_url_type=url_type,
+        article_display_type=display_type, article_markdown=markdown,
+    )
+    assert result.is_valid is (
+        url_type == ArticleURLType.LONG
+        and (bool(markdown) or display_type in (ArticleDisplayType.VIDEO, ArticleDisplayType.AUDIO))
+    )
+
+
+@pytest.mark.parametrize(
+    ("field_name", "empty_value"),
+    [
+        ("mp_id", 0), ("mp_name", ""), ("article_msg_id", 0),
+        ("article_idx", 0), ("article_sn", ""), ("article_title", ""),
+        ("article_publish_time", 0),
+    ],
+)
+def test_long_url_still_requires_other_key_metadata(
+    field_name: str, empty_value: str | int,
+) -> None:
+    result = replace(
+        _COMPLETE, article_id="", article_url_type=ArticleURLType.LONG,
+        article_markdown="正文", **{field_name: empty_value},
+    )
+    assert not result.is_valid
+
+
+@pytest.mark.parametrize("url_type", list(ArticleURLType))
+def test_url_type_serializes_as_semantic_string(url_type: ArticleURLType) -> None:
+    result = ArticleResult(article_url_type=url_type)
+    assert str(url_type) == url_type.value
+    assert f"{url_type:>10}" == f"{url_type.value:>10}"
+    assert json.loads(json.dumps(asdict(result)))["article_url_type"] == url_type.value
+    assert ArticleResult().article_url_type is ArticleURLType.UNKNOWN

{wechat_article_parser-0.0.13 → wechat_article_parser-0.0.15}/tests/test_paid_content.py

@@ -51,6 +51,7 @@ def test_paid_placeholder_keeps_metadata_and_does_not_use_unrelated_images(
     result = _parse_html(_URL, _html(_FILTER, metadata, data))
 
     assert result.article_markdown == _NOTICE
+    assert result.article_is_paid is True
     assert result.images == []
     assert result.article_display_type is ArticleDisplayType.ARTICLE
     assert result.article_item_show_type == 0
@@ -73,6 +74,7 @@ def test_paid_filter_does_not_replace_visible_preview(body: str) -> None:
     result = _parse_html(_URL, _html(body + _FILTER))
 
     assert result.is_valid
+    assert result.article_is_paid is True
     assert _NOTICE not in result.article_markdown
     if "免费预览" in body:
         assert result.article_markdown == "可见的免费预览正文。"
@@ -86,6 +88,7 @@ def test_paid_filter_takes_priority_over_empty_video_embed() -> None:
     result = _parse_html(_URL, _html(body))
 
     assert result.is_valid
+    assert result.article_is_paid is True
     assert result.article_markdown == _NOTICE
 
 
@@ -93,6 +96,7 @@ def test_paid_marker_outside_article_does_not_fill_empty_body() -> None:
     result = _parse_html(_URL, _html("") + _FILTER)
 
     assert result.article_markdown == ""
+    assert result.article_is_paid is False
     assert not result.is_valid
 
 
@@ -103,4 +107,84 @@ def test_paid_flag_without_filter_keeps_accessible_body() -> None:
     )
 
     assert result.is_valid
+    assert result.article_is_paid is True
     assert result.article_markdown == "已提供的完整正文。"
+
+
+@pytest.mark.parametrize("value", ["1", "'1'", '"1"', "'1' * 1", '"1" * 1', "true"])
+@pytest.mark.parametrize("template", [
+    "var is_pay_subscribe = VALUE;",
+    "window.is_pay_subscribe = VALUE;",
+    "window.cgiDataNew = {is_pay_subscribe: VALUE};",
+    'window.cgiDataNew = {"is_pay_subscribe": VALUE, other: 0};',
+])
+def test_paid_flag_forms(value: str, template: str) -> None:
+    result = _parse_html(
+        _URL, _html("<p>可见正文</p>", data=template.replace("VALUE", value)),
+    )
+
+    assert result.article_is_paid is True
+    assert result.article_markdown == "可见正文"
+    assert result.is_valid
+
+
+@pytest.mark.parametrize("data", [
+    "",
+    "var is_pay_subscribe = 0;",
+    "window.cgiDataNew = {is_pay_subscribe: '0' * 1};",
+    "window.cgiDataNew = {is_pay_subscribe: false};",
+    "window.cgiDataNew = {is_pay_subscribe: '10'};",
+    "var is_pay_subscribe = '1' * 0;",
+    "var is_pay_subscribe = 1 === 0;",
+    "// var is_pay_subscribe = 1;",
+    "/* window.cgiDataNew = {is_pay_subscribe: 1}; */",
+    'var text = "var is_pay_subscribe = 1;";',
+    "var recommendation = {is_pay_subscribe: 1};",
+    "window.cgiDataNew = {card: {is_pay_subscribe: 1}, is_pay_subscribe: 0};",
+    "window.cgiDataNew = {cards: [{is_pay_subscribe: 1}]};",
+    "function unrelated() { var is_pay_subscribe = 1; }",
+    "other.window.cgiDataNew = {is_pay_subscribe: 1};",
+    "other.window.is_pay_subscribe = 1;",
+])
+def test_missing_free_or_unrelated_paid_flags(data: str) -> None:
+    result = _parse_html(_URL, _html("<p>正文提到付费，并不代表本文收费。</p>", data=data))
+
+    assert result.article_is_paid is False
+    assert result.is_valid
+
+
+def test_paid_flag_survives_content_fallback() -> None:
+    html = _html("", data="window.cgiDataNew = {is_pay_subscribe: 1};")
+    html += '<div class="original_page"><p id="js_share_notice">转载正文</p></div>'
+    result = _parse_html(_URL, html)
+
+    assert result.article_is_paid is True
+    assert result.article_markdown == "转载正文"
+
+
+def test_paid_flag_without_content_or_script_type() -> None:
+    result = _parse_html(_URL, "<script>var is_pay_subscribe = 1;</script>")
+
+    assert result.article_is_paid is True
+    assert not result.is_valid
+
+
+def test_paid_preview_marker_in_repost() -> None:
+    result = _parse_html(
+        _URL, f'<div class="original_page"><p>转载预览</p>{_FILTER}</div>',
+    )
+
+    assert result.article_is_paid is True
+
+
+def test_paid_preview_marker_in_script_repost_content() -> None:
+    html = (
+        '<div class="original_page"></div>'
+        '<script type="text/javascript">window.cgiDataNew = {'
+        """content: '<p>预览</p><mp-pay-preview-filter></mp-pay-preview-filter>'"""
+        '};</script>'
+    )
+    result = _parse_html(_URL, html)
+
+    assert result.article_is_paid is True
+    assert result.article_markdown == "预览"

{wechat_article_parser-0.0.13 → wechat_article_parser-0.0.15}/tests/test_parser.py

@@ -80,12 +80,14 @@ def _assert_result(result: ArticleResult, url: str) -> None:
         else "公众号简介:   (empty)"
     )
     print(f"文章ID:       {result.article_id}")
+    print(f"链接类型:     {result.article_url_type}")
     print(f"群发消息ID:   {result.article_msg_id}")
     print(f"文章idx:      {result.article_idx}")
     print(f"文章签名:     {result.article_sn}")
     print(f"文章标题:     {result.article_title}")
     print(f"展示类型:     {result.article_display_type}")
     print(f"原始展示类型: {result.article_item_show_type}")
+    print(f"是否付费:     {result.article_is_paid}")
     print(
         f"封面图:       {result.article_cover_image[:80]}..."
         if result.article_cover_image
@@ -133,12 +135,14 @@ def test_fetch_all(url: str, proxy: str | None) -> None:
     print(f"公众号图片:   {result.mp_image}")
     print(f"公众号简介:   {result.mp_description}")
     print(f"文章ID:       {result.article_id}")
+    print(f"链接类型:     {result.article_url_type}")
     print(f"群发消息ID:   {result.article_msg_id}")
     print(f"文章idx:      {result.article_idx}")
     print(f"文章签名:     {result.article_sn}")
     print(f"文章标题:     {result.article_title}")
     print(f"展示类型:     {result.article_display_type}")
     print(f"原始展示类型: {result.article_item_show_type}")
+    print(f"是否付费:     {result.article_is_paid}")
     print(f"封面图:       {result.article_cover_image}")
     print(f"文章摘要:     {result.article_description}")
     print(f"发布时间:     {result.article_publish_time}")