翼度科技»论坛 编程开发 python 查看内容

【xhs爬虫软件】用Python开发的小红书关键词搜索批量采集工具

4

主题

4

帖子

12

积分

新手上路

Rank: 1

积分
12
目录

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小红书笔记数据。
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

软件运行演示视频:(不懂代码的小白直接看演示视频!)见原文
1.3 软件说明

几点重要说明:

以上。
二、代码讲解

2.1 爬虫采集模块

首先,定义接口地址作为请求地址:
  1. # 请求地址
  2. url = 'https://edith.xiaohongshu.com/api/sns/web/v1/search/notes'
复制代码
定义一个请求头,用于伪造浏览器:
  1. # 请求头
  2. h1 = {
  3.         'Accept': 'application/json, text/plain, */*',
  4.         'Accept-Encoding': 'gzip, deflate, br',
  5.         'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6',
  6.         'Content-Type': 'application/json;charset=UTF-8',
  7.         'Cookie': '换成自己的cookie值',
  8.         'Origin': 'https://www.xiaohongshu.com',
  9.         'Referer': 'https://www.xiaohongshu.com/',
  10.         'Sec-Ch-Ua': '"Microsoft Edge";v="119", "Chromium";v="119", "Not?A_Brand";v="24"',
  11.         'Sec-Ch-Ua-Mobile': '?0',
  12.         'Sec-Ch-Ua-Platform': '"macOS"',
  13.         'Sec-Fetch-Dest': 'empty',
  14.         'Sec-Fetch-Mode': 'cors',
  15.         'Sec-Fetch-Site': 'same-site',
  16.         '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',
  17. }
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:
  1. # 请求参数
  2. post_data = {
  3.         "keyword": search_keyword,
  4.         "page": page,
  5.         "page_size": 20,
  6.         "search_id": v_search_id,
  7.         "sort": v_sort,
  8.         "note_type": v_note_type,
  9.         "image_scenes": "FD_PRV_WEBP,FD_WM_WEBP",
  10. }
复制代码
下面就是发送请求和接收数据:
  1. # 发送请求
  2. r = requests.post(url, headers=h1, data=data_json.encode('utf8'))
  3. print(r.status_code)
  4. # 以json格式接收返回数据
  5. json_data = r.json()
复制代码
定义一些空列表,用于存放解析后字段数据:
  1. # 定义空列表
  2. note_id_list = []  # 笔记id
  3. note_title_list = []  # 笔记标题
  4. note_type_list = []  # 笔记类型
  5. like_count_list = []  # 点赞数
  6. user_id_list = []  # 用户id
  7. user_name_list = []  # 用户昵称
复制代码
循环解析字段数据,以"笔记标题"为例:
  1. # 循环解析
  2. for data in json_data['data']['items']:
  3.         # 笔记标题
  4.         try:
  5.                 note_title = data['note_card']['display_title']
  6.         except:
  7.                 note_title = ''
  8.         print('note_title:', note_title)
  9.         note_title_list.append(note_title)
复制代码
其他字段同理,不再赘述。
最后,是把数据保存到csv文件:
  1. # 把数据保存到Dataframe
  2. df = pd.DataFrame(
  3.         {
  4.                 '关键词': search_keyword,
  5.                 '页码': page,
  6.                 '笔记id': note_id_list,
  7.                 '笔记链接': ['https://www.xiaohongshu.com/explore/' + i for i in note_id_list],
  8.                 '笔记标题': note_title_list,
  9.                 '笔记类型': note_type_list,
  10.                 '点赞数': like_count_list,
  11.                 '用户id': user_id_list,
  12.                 '用户主页链接': ['https://www.xiaohongshu.com/user/profile/' + i for i in user_id_list],
  13.                 '用户昵称': user_name_list,
  14.         }
  15. )
  16. if os.path.exists(result_file):
  17.         header = False
  18. else:
  19.         header = True
  20. # 把数据保存到csv文件
  21. df.to_csv(result_file, mode='a+', index=False, header=header, encoding='utf_8_sig')
复制代码
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。
2.2 软件界面模块

主窗口部分:
  1. # 创建主窗口
  2. root = tk.Tk()
  3. root.title('小红书搜索采集软件v1 | 马哥python说 |')
  4. # 设置窗口大小
  5. root.minsize(width=850, height=650)
复制代码
输入控件部分:
  1. # 搜索关键词
  2. tk.Label(root, justify='left', text='搜索关键词:').place(x=30, y=160)
  3. entry_kw = tk.Text(root, bg='#ffffff', width=60, height=2, )
  4. entry_kw.place(x=125, y=160, anchor='nw')  # 摆放位置
复制代码
底部版权部分:
  1. # 版权信息
  2. copyright = tk.Label(root, text='@马哥python说 All rights reserved.', font=('仿宋', 10), fg='grey')
  3. 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:
  1. def get_logger(self):
  2.         self.logger = logging.getLogger(__name__)
  3.         # 日志格式
  4.         formatter = '[%(asctime)s-%(filename)s][%(funcName)s-%(lineno)d]--%(message)s'
  5.         # 日志级别
  6.         self.logger.setLevel(logging.DEBUG)
  7.         # 控制台日志
  8.         sh = logging.StreamHandler()
  9.         log_formatter = logging.Formatter(formatter, datefmt='%Y-%m-%d %H:%M:%S')
  10.         # info日志文件名
  11.         info_file_name = time.strftime("%Y-%m-%d") + '.log'
  12.         # 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。
  13.         case_dir = r'./logs/'
  14.         info_handler = TimedRotatingFileHandler(filename=case_dir + info_file_name,
  15.                                                 when='MIDNIGHT',
  16.                                                 interval=1,
  17.                                                 backupCount=7,
  18.                                                 encoding='utf-8')
复制代码
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】小红书搜索结果批量采集,支持多个关键词同时抓取!
持续分享Python干货中,欢迎交流开发技术!

来源:https://www.cnblogs.com/ws235/p/18219515
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!

本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有账号?立即注册

x

举报 回复 使用道具