【GUI软件】小红书按关键词采集笔记详情，支持多个关键词，含笔记正文、转评赞藏等
原创【GUI软件】小红书按关键词采集笔记详情，支持多个关键词，含笔记正文、转评赞藏等
原创
马哥python说
发布于 2024-03-30 17:03:41
发布于 2024-03-30 17:03:41
一、背景介绍
本文首发公众号【老男孩的平凡之路】
1.1 爬取目标
您好！我是@马哥python说，一名10年程序猿。
熟悉我的小伙伴都了解，我之前开发过2款软件：
现在介绍的这个软件，相当于以上2个软件的结合版，即根据关键词爬取笔记的详情数据。
开发界面软件的目的：方便不懂编程代码的小白用户使用，无需安装python，无需改代码，双击打开即用！
软件界面截图：
软件运行界面
爬取结果截图：
结果1
结果2
结果3
以上。
1.2 演示视频
软件使用演示：（不懂编程的小白直接看视频，了解软件作用即可，无需看代码）
【小红书采集软件】根据关键词自动采集笔记详情，含笔记正文、转评赞藏等
1.3 软件说明
几点重要说明：
- Windows用户可直接双击打开使用，无需Python运行环境，非常方便！
- 需要填入cookie中的a1值和web_session值
- 支持按笔记类型（综合/视频/图文）和排序方式（综合/最新/最热）爬取
- 支持同时爬多个关键词
- 每个关键词最多可采集220条左右笔记，与网页端数量一致
- 爬取过程中，每爬一条，存一次csv结果，防止程序异常中断丢失前面的数据（每条间隔1~2s）
- 爬取过程中，有log文件详细记录运行过程，方便回溯
- 爬取完成后，自动导出结果到csv文件
- 爬取共16个字段，含：关键词,笔记id,笔记链接,笔记标题,笔记内容,笔记类型,发布时间,修改时间,IP属地,点赞数,收藏数,评论数,转发数,用户昵称,用户id,用户主页链接。
以上。
二、代码讲解
2.1 爬虫采集-搜索接口
首先，定义接口地址作为请求地址：
# 请求地址
url = 'https://edith.xiaohongshu.com/api/sns/web/v1/search/notes'定义一个请求头，用于伪造浏览器：
# 请求头
h1 = {
'Accept': 'application/json, text/plain, */*',
'Accept-Encoding': 'gzip, deflate, br',
'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6',
'Content-Type': 'application/json;charset=UTF-8',
'Cookie': '换成自己的cookie值',
'Origin': 'https://www.xiaohongshu.com',
'Referer': 'https://www.xiaohongshu.com/',
'Sec-Ch-Ua': '"Microsoft Edge";v="119", "Chromium";v="119", "Not?A_Brand";v="24"',
'Sec-Ch-Ua-Mobile': '?0',
'Sec-Ch-Ua-Platform': '"macOS"',
'Sec-Fetch-Dest': 'empty',
'Sec-Fetch-Mode': 'cors',
'Sec-Fetch-Site': 'same-site',
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36 Edg/119.0.0.0',
}加上请求参数，告诉程序你的爬取条件是什么：
# 请求参数
post_data = {
"keyword": search_keyword,
"page": page,
"page_size": 20,
"search_id": v_search_id,
"sort": v_sort,
"note_type": v_note_type,
"image_scenes": "FD_PRV_WEBP,FD_WM_WEBP",
}2.2 爬虫采集-详情接口
首先，定义接口地址作为请求地址：
# 请求地址
url = 'https://edith.xiaohongshu.com/api/sns/web/v1/feed'定义一个请求头，用于伪造浏览器：
# 请求头
h1 = {
'Accept': 'application/json, text/plain, */*',
'Accept-Encoding': 'gzip, deflate, br',
'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6',
'Content-Type': 'application/json;charset=UTF-8',
'Cookie': '换成自己的cookie值',
'Origin': 'https://www.xiaohongshu.com',
'Referer': 'https://www.xiaohongshu.com/',
'Sec-Ch-Ua': '"Microsoft Edge";v="119", "Chromium";v="119", "Not?A_Brand";v="24"',
'Sec-Ch-Ua-Mobile': '?0',
'Sec-Ch-Ua-Platform': '"macOS"',
'Sec-Fetch-Dest': 'empty',
'Sec-Fetch-Mode': 'cors',
'Sec-Fetch-Site': 'same-site',
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36 Edg/119.0.0.0',
}加上请求参数，告诉程序你的爬取条件是什么：
# 请求参数
post_data = {
"source_note_id": note_id,
"image_formats": ["jpg", "webp", "avif"],
"extra": {"need_body_topic": "1"}
}下面就是发送请求和接收数据：
# 发送请求
r = requests.post(url, headers=h1, data=data_json)
# 接收数据
json_data = r.json()逐个解析字段数据，以"笔记标题"为例：
# 笔记标题
try:
title = json_data['data']['items'][0]['note_card']['title']
except:
title = ''熟悉xhs的朋友都知道，有些笔记是没有标题的，所以这里加上try保护，防止程序报错导致中断运行。
其他字段同理，不再赘述。
下面就是发送请求和接收数据：
# 发送请求
r = requests.post(url, headers=h1, data=data_json.encode('utf8'))
print(r.status_code)
# 以json格式接收返回数据
json_data = r.json()定义一些空列表，用于存放解析后字段数据：
# 定义空列表
note_id_list = [] # 笔记id
note_title_list = [] # 笔记标题
note_type_list = [] # 笔记类型
like_count_list = [] # 点赞数
user_id_list = [] # 用户id
user_name_list = [] # 用户昵称循环解析字段数据，以"笔记标题"为例：
# 循环解析
for data in json_data['data']['items']:
# 笔记标题
try:
note_title = data['note_card']['display_title']
except:
note_title = ''
print('note_title:', note_title)
note_title_list.append(note_title)其他字段同理，不再赘述。
最后，是把数据保存到csv文件：
# 把数据保存到Dataframe
df = pd.DataFrame(
{
'关键词': search_keyword,
'页码': page,
'笔记id': note_id_list,
'笔记链接': ['https://www.xiaohongshu.com/explore/' + i for i in note_id_list],
'笔记标题': note_title_list,
'笔记类型': note_type_list,
'点赞数': like_count_list,
'用户id': user_id_list,
'用户主页链接': ['https://www.xiaohongshu.com/user/profile/' + i for i in user_id_list],
'用户昵称': user_name_list,
}
)
if os.path.exists(result_file):
header = False
else:
header = True
# 把数据保存到csv文件
df.to_csv(result_file, mode='a+', index=False, header=header, encoding='utf_8_sig')完整代码中，还含有：判断循环结束条件、js逆向解密、笔记类型（综合/视频图文）筛选、排序方式筛选（综合/最新/最热）等关键实现逻辑。
2.3 cookie说明
其中，cookie是个关键参数。
cookie里的a1和web_session获取方法，如下：
查看a1和web_session
这两个值非常重要，软件界面需要填写！！
开发者模式的打开方法：页面空白处->右键->检查。2.4 软件界面模块
主窗口部分：
# 创建主窗口
root = tk.Tk()
root.title('小红书搜索详情采集软件v1.0 | 马哥python说 |')
# 设置窗口大小
root.minsize(width=850, height=650)
输入控件部分：
# 搜索关键词
tk.Label(root, justify='left', text='搜索关键词:').place(x=30, y=160)
entry_kw = tk.Text(root, bg='#ffffff', width=60, height=2, )
entry_kw.place(x=125, y=160, anchor='nw') # 摆放位置底部版权部分：
# 版权信息
copyright = tk.Label(root, text='@马哥python说 All rights reserved.', font=('仿宋', 10), fg='grey')
copyright.place(x=290, y=625)以上。
2.5 日志模块
好的日志功能，方便软件运行出问题后快速定位原因，修复bug。
核心代码：
def get_logger(self):
self.logger = logging.getLogger(__name__)
# 日志格式
formatter = '[%(asctime)s-%(filename)s][%(funcName)s-%(lineno)d]--%(message)s'
# 日志级别
self.logger.setLevel(logging.DEBUG)
# 控制台日志
sh = logging.StreamHandler()
log_formatter = logging.Formatter(formatter, datefmt='%Y-%m-%d %H:%M:%S')
# info日志文件名
info_file_name = time.strftime("%Y-%m-%d") + '.log'
# 将其保存到特定目录，ap方法就是寻找项目根目录，该方法博主前期已经写好。
case_dir = r'./logs/'
info_handler = TimedRotatingFileHandler(filename=case_dir + info_file_name,
when='MIDNIGHT',
interval=1,
backupCount=7,
encoding='utf-8')日志文件截图：
日志文件
以上。
三、首发公号
本文首发微信公众号【老男孩的平凡之路】，转载需经本人同意，谢谢合作！
我是@马哥python说，一名10年程序猿，持续分享python干货中！
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
评论
作者已关闭评论
推荐阅读
目录