翼度科技»论坛 编程开发 python 查看内容

【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

6

主题

6

帖子

18

积分

新手上路

Rank: 1

积分
18
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。
1.2 演示视频

软件使用演示: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/feed'
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.         "source_note_id": note_id,
  4.         "image_formats": ["jpg", "webp", "avif"],
  5.         "extra": {"need_body_topic": "1"}
  6. }
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)
  3. # 接收数据
  4. json_data = r.json()
复制代码
逐个解析字段数据,以"笔记标题"为例:
  1. # 笔记标题
  2. try:
  3.         title = json_data['data']['items'][0]['note_card']['title']
  4. except:
  5.         title = ''
复制代码
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。
最后,是把数据保存到csv文件:
  1. # 返回数据
  2. data_row = note_id, title, desc, create_time, update_time, ip_location, like_count, collected_count, comment_count, share_count, nickname, user_id, user_url
  3. # 保存到csv文件
  4. with open(self.result_file, 'a+', encoding='utf_8_sig', newline='') as f:
  5.         writer = csv.writer(f)
  6.         writer.writerow(data_row)
复制代码
这里采用csv库保存数据,方便每爬取一条笔记数据,快速保存到csv文件中。
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:
  1. # 创建主窗口
  2. root = tk.Tk()
  3. root.title('小红书详情采集软件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. # a1填写
  2. tk.Label(root, justify='left', text='a1:').place(x=30, y=80)
  3. entry_a1 = tk.Text(root, bg='#ffffff', width=96, height=2, )
  4. entry_a1.place(x=125, y=80, anchor='nw')  # 摆放位置
  5. # web_session填写
  6. tk.Label(root, justify='left', text='web_session:').place(x=30, y=120)
  7. entry_web_session = tk.Text(root, bg='#ffffff', width=96, height=2, )
  8. entry_web_session.place(x=125, y=120, 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
  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!
持续分享Python干货中,欢迎交流开发技术!

来源:https://www.cnblogs.com/ws235/p/18222489
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