【爬虫软件】关键词批量采集小红书笔记正文工具用python开发的小红书采集软件，按照关键词采集笔记正文等详情数据。一、背景介绍

2024-05-31 09:33 由 python布道者0516 发表于 #后端开发

一、背景介绍

1.1 爬取目标

熟悉我的小伙伴都了解，我之前开发过2款软件：

【xhs爬虫软件】用Python开发的小红书关键词搜索批量采集工具
 【爬虫软件】用Python开发的小红书详情批量采集工具，含笔记正文、转评赞藏等

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：

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：（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）

演示视频：见原文

1.3 软件说明

几点重要说明：

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：

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：

以上。

三、转载声明

转载已获原作者 @马哥python说授权：

博客园原文链接: 【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！

【爬虫软件】用Python开发的小红书详情批量采集工具，含笔记正文、转评赞藏等一、背景介绍

一、背景介绍 1.1 爬取目标用python开发的爬虫采集软件，可自动按笔记链接抓取笔记的详情数据。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。 ...阅读全文

【爬虫软件】用Python开发的抖音关键词搜索工具，可筛选爬取热门视频、最新视频等抖音关键词搜索采集软件。一、背景介绍

一、背景介绍 1.1 爬取目标用python开发的爬虫采集软件，可自动按关键词抓取抖音视频数据。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. ...阅读全文

【爬虫软件】用Python开发的抖音评论区批量采集工具抖音评论区采集软件。一、背景说明

一、背景说明 1.1 效果演示用python开发的爬虫采集软件，可自动抓取抖音评论数据，并且含二级评论！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、无需懂代码，双击打开即用！软件界面截图：爬取结果截图：以上。 1.2 演示视频软件运行演示视频：见 ...阅读全文

MyBatis 核心配置文件详细内容详解

1. MyBatis 核心配置文件详细内容详解 @目录1. MyBatis 核心配置文件详细内容详解2. 测试和学习的准备工作3. environment 标签4. transactionManager 标签5. dataSource 标签6. properties 标签7. mapper 标签8. ...阅读全文

一加七Pro刷lineageos21(kernelsu+gapps)

前言之前手机一直用的PixelExperience系统，也为一加七编译了kernelsu，具体可以看一加7Pro为PixelExperience13系统编译kernelsu. 但前些时间官方宣布停更，而且PixelExperience有些应用存在风控问题，最近想换回lineageos。这篇文章没啥 ...阅读全文

一文了解java枚举

1. 枚举的由来当我们知道所有变量的可能性时,尽量使用枚举类型来定义,比如季节,春夏秋冬,一周(一二三四五六七),只读不需要修改有限的一个一个列举出来的类叫做枚举类,枚举是一组常量的集合,枚举也是一个特殊的类,里面包含了一组有限的特定对象 2. 自定义实现枚举不需要提供set方法,因为枚举对象 ...阅读全文

公司刚入职了一名 Java 中级开发，短短 4 行代码居然凑齐了 3 个 bug！我哭了~~

作者：l拉不拉米链接：https://juejin.cn/post/7031445206152577061 一、前言公司刚入职了一名中级Java开发，经过一个星期的适应学习，各方面表现还不错，于是分配了一个小的迭代给新人做。需求很简单，把从第三方拉取的数据匹配到自身公司后台设置的渠道后，聚合到 ...阅读全文

etcd MVCC 存储结构及流程

什么是 MVCC MVCC 是 Multi-Version Concurrency Control 的缩写，即多版本并发控制。它是一种并发控制的方法，用于在数据库系统中实现事务的隔离性。MVCC 是一种乐观锁机制，它通过保存数据的多个版本来实现事务的隔禽性。在 etcd 中，MVCC 是用于实现数据 ...阅读全文

使用EasyX制作游戏需要读写文件时遇到编码问题的解决方法

使用EasyX制作游戏需要读写文件时遇到编码问题的解决方法一、编码问题例如我们需要从file.txt中读取文字，再使用outtextxy()函数向窗口绘制文字。查找EasyX的官方文档可知，该函数有两个重载，分别为：void outtextxy(int x, int y, LPCTSTR st ...阅读全文

从零手写实现 nginx-01-为什么不能有 java 版本的 nginx?

前言大家好，我是老马。很高兴遇到你。作为一个 java 开发者，工作中一直在使用 nginx。却发现一直停留在使用层面，无法深入理解。有一天我在想，为什么不能有一个 java 版本的 nginx 呢？一者是理解 nginx 的设计灵魂，再者 java 开发者用 java 语言的服务器不是更加 ...阅读全文