【爬虫软件】关键词批量采集小红书笔记正文工具

来自马祖列岛惜玉怜香的咖啡树

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：

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

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

2.2 爬虫采集-详情接口

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

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。
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。
2.3 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：

1. # 创建主窗口
2. root = tk.Tk()
3. root.title('小红书搜索详情采集软件v1.0 | 马哥python说 |')
4. # 设置窗口大小
5. root.minsize(width=850, height=650)
6. 输入控件部分：
7. # 搜索关键词
8. tk.Label(root, justify='left', text='搜索关键词:').place(x=30, y=160)
9. entry_kw = tk.Text(root, bg='#ffffff', width=60, height=2, )
10. 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。
2.5 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：

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！

来源:https://www.cnblogs.com/ws235/p/18223823
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！