|
目录
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:
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'
复制代码 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),}
复制代码 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": ""}
复制代码 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()
复制代码 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)
复制代码 其他字段同理,不再赘述。
保存数据到Dataframe中:- # 保存数据到DFdf = 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, })
复制代码 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 = Falseelse: header = True# 保存到csvdf.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)
复制代码 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)
复制代码 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
复制代码 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)
复制代码 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')
复制代码 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!
来源:https://www.cnblogs.com/mashukui/p/18042738/xhs_user_posted
免责声明:由于采集信息均来自互联网,如果侵犯了您的权益,请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容,谢谢合作! |
|