【GUI软件】小红书指定博主批量采集笔记，支持多博主同时采集！

2024-02-29 09:43 由马哥python说发表于 #后端开发

一、背景介绍
二、代码讲解
三、获取源码及软件

一、背景介绍

1.1 爬取目标

您好，我是@马哥python说，一名10年程序猿。

我用python开发了一个爬虫采集软件，可自动按指定博主抓取该博主已发布笔记数据。

为什么有了源码还开发界面软件呢？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:

爬取结果截图：
结果截图1:

结果截图2:

结果截图3:

以上。

1.2 演示视频

软件使用演示：
【软件演示】小红书博主笔记采集工具，指定博主爬取笔记

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
支持同时爬多个博主的笔记数据
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
可爬取9个核心字段，含：作者昵称,作者id,作者链接,页码,笔记标题,笔记id,笔记链接,笔记类型,点赞数。

以上。

二、代码讲解

2.1 爬虫采集模块

首先，定义接口地址作为请求地址：

# 请求地址
posted_url = 'https://edith.xiaohongshu.com/api/sns/web/v1/user_posted'

定义一个请求头，用于伪造浏览器：

# 请求头
h1 = {
	"Content-Type": "application/json; charset=utf-8",
	"Accept": "application/json, text/plain, */*",
	"Accept-Language": "zh-CN,zh;q=0.9",
	"Origin": "https://www.xiaohongshu.com",
	"Referer": "https://www.xiaohongshu.com/",
	"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36",
	"Connection": "keep-alive",
	"Cookie": "gid=yYDqDJSjjy7dyYDqDJSqDv8iydu4WMhDIKxCvVfJJ3FkTJq836EFDT888jyKJK28id4dYD42; sec_poison_id=9473b193-aa0e-436e-848a-c53f539ae316; webBuild=4.2.1; websectiga=f47eda31ec99545da40c2f731f0630efd2b0959e1dd10d5fedac3dce0bd1e04d; xsecappid=xhs-pc-web; web_session={}; customer-sso-sid=65a493817900000000000011; x-user-id-pgy.xiaohongshu.com=642651810000000011022ed2; customerClientId=171221914380812; a1={}; webId=e9a9990ce615eec84d0fd8a2f4e9e29d; abRequestId=7c4f00be-699b-57f5-81c9-2783ff470960".format(
		self.web_session, self.a1),
}

说明一下，cookie是个关键参数。
其中，cookie里的a1和web_session获取方法，如下：

这两个值非常重要，软件界面需要填写！！

加上请求参数，告诉程序你的爬取条件是什么：

# 请求参数
params = {
	"num": 30,
	"cursor": next_cursor,
	"user_id": user_id,
	"image_scenes": ""
}

下面就是发送请求和接收数据：

# 发送请求
r = requests.post(posted_url, headers=h1, params=params)
# 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
title = i['display_title']
title_list.append(title)

其他字段同理，不再赘述。

保存数据到Dataframe中：

# 保存数据到DF
df = pd.DataFrame(
	{
		'作者昵称': author_name_list,
		'作者id': author_id_list,
		'作者链接': ['https://www.xiaohongshu.com/user/profile/' + str(i) for i in author_id_list],
		'页码': page,
		'笔记标题': title_list,
		'笔记id': note_id_list,
		'笔记链接': note_url_list,
		'笔记类型': note_type_list,
		'点赞数': likes_list,
	}
)

最后，再把数据保存到csv文件：

# 设置csv文件表头
if os.path.exists(self.result_file):
	header = False
else:
	header = True
# 保存到csv
df.to_csv(self.result_file, mode='a+', header=header, index=False, encoding='utf_8_sig')
self.tk_show('文件保存成功：' + self.result_file)

完整代码中，还含有：判断循环结束条件、转换时间戳、js逆向解密等关键实现逻辑，详见文末。

2.2 软件界面模块

主窗口部分：

# 创建主窗口
root = tk.Tk()
root.title('小红书博主笔记采集软件v1.0 | 马哥python说 |')
# 设置窗口大小
root.minsize(width=850, height=650)

输入控件部分：

# a1填写
tk.Label(root, justify='left', text='a1:').place(x=30, y=80)
entry_a1 = tk.Text(root, bg='#ffffff', width=96, height=2, )
entry_a1.place(x=125, y=80, anchor='nw')  # 摆放位置
# web_session填写
tk.Label(root, justify='left', text='web_session:').place(x=30, y=120)
entry_web_session = tk.Text(root, bg='#ffffff', width=96, height=2, )
entry_web_session.place(x=125, y=120, 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。

2.3 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
	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：

以上。

三、获取源码及软件

完整python源码及exe软件，微信公众号"老男孩的平凡之路"后台回复"爬小红书博主软件"即可获取。点击直达

推荐阅读：【GUI软件开发】小红书评论采集：自动采集1w多条，含二级评论！

【GUI软件】抖音搜索结果批量采集，支持多个关键词、排序方式、发布时间筛选等！

目录一、背景介绍1.1 爬取目标1.2 演示视频1.3 软件说明二、代码讲解2.1 爬虫采集模块2.2 软件界面模块2.3 日志模块三、获取源码及软件一、背景介绍 1.1 爬取目标您好！我是@马哥python说，一名10年程序猿。我用python开发了一个爬虫采集软件，可自动按关键词抓取抖音视 ...阅读全文

【GUI软件】小红书详情数据批量采集，含笔记内容、转评赞藏等，支持多笔记同时采集！

马哥原创：小红书详情采集软件，自动爬取xhs笔记的详情数据，字段含：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。 ...阅读全文

【GUI软件】小红书搜索结果批量采集，支持多个关键词同时抓取！

目录一、背景介绍1.1 爬取目标1.2 演示视频1.3 软件说明二、代码讲解2.1 爬虫采集模块2.2 软件界面模块2.3 日志模块三、获取源码及软件一、背景介绍 1.1 爬取目标您好！我是@马哥python说，一名10年程序猿。我用python开发了一个爬虫采集软件，可自动按关键词抓取小红 ...阅读全文

【GUI软件开发】小红书评论采集：自动采集1w多条，含二级评论！

目录一、爬取目标1.1 效果截图1.2 演示视频1.3 软件说明二、代码讲解2.1 爬虫采集模块2.2 软件界面模块2.3 日志模块三、获取源码及软件一、爬取目标您好！我是@马哥python说，一名10年程序猿。我用python开发了一个爬虫采集软件，可自动抓取小红书评论数据，并且含二级评论 ...阅读全文

如何在SpringBoot中优雅地重试调用第三方API？

1引言在实际的应用中，我们经常需要调用第三方API来获取数据或执行某些操作。然而，由于网络不稳定、第三方服务异常等原因，API调用可能会失败。为了提高系统的稳定性和可靠性，我们通常会考虑实现重试机制。本文将深入探讨如何在Spring Boot项目中优雅地重试调用第三方API，并结合代码示例，展示 ...阅读全文

【进阶篇】使用 Redis 实现分布式缓存的全过程思考（一）

在笔者近 3 年的 Java 一线开发经历中，尤其是一些移动端、用户量大的互联网项目，经常会使用到 Redis 分布式缓存作为解决高并发的基本工具。但在使用过程中也有一些潜在的问题是必须要考虑的，比如：数据一致性、缓存穿透和雪崩、高可用集群等等。 ...阅读全文

Java - 将TXT文本文件转换为PDF文件

与TXT文本文件，PDF文件更加专业也更适合传输，常用于正式报告、简历、合同等场合。项目中如果有使用Java将TXT文本文件转为PDF文件的需求，可以查看本文中介绍的免费实现方法。免费Java PDF库本文介绍的方法需要用到Free Spire.PDF for Java，该免费库支持多种操作、转 ...阅读全文

iexcel-excel 读取和写入，解决 excel OOM 问题

项目简介 IExcel 用于优雅地读取和写入 excel。避免大 excel 出现 oom，简约而不简单。特性一行代码搞定一切 OO 的方式操作 excel，编程更加方便优雅。 sax 模式读取，SXSS 模式写入。避免 excel 大文件 OOM。基于注解，编程更加灵活。设计简单，注释完 ...阅读全文

原来你是这样的JAVA--[07]聊聊Integer和BigDecimal

今天来聊聊Java中跟数值处理相关的两个类型Integer和BigDecimal。说起这两个类型，我们肯定都不陌生，但是其中有些容易踩到的坑需要注意避让。 Integer 整型我们应该每天都会用到，但是每种语言还是有自己的特性。从敬姐刚从.NET转过来的时候踩过的一个坑说起：话说在.NET世界中， ...阅读全文

深入理解C++中的堆与栈：内存管理的关键区别与实例解析

概述：C++中，堆和栈是两种不同的内存分配方式。栈自动分配、释放内存，适用于短生命周期变量；堆需要手动管理，适用于动态分配内存，但需要显式释放以防内存泄漏。通过清晰的示例源代码，演示了它们在变量生命周期、访问方式等方面的区别。 C++中的堆（heap）和栈（stack）是两种内存分配和管理方式，它们 ...阅读全文