爆款小红书笔记采集神器!Python开发,正文一键爬取

一、背景介绍

1.1 爬取目标

爬取目标:小红书笔记详情

小红书是国内集社交、分享、购物于一体的综合性平台,为用户提供了一个交流经验、获取灵感和享受购物乐趣的沟通渠道,同时也是国内流量数一数二的生态网站。很多行业的操盘手需要获取热门笔记、热门作者的作品数据,从而提升自己账号的互动数据和价值。因此,我用python开发了一个爬虫采集软件,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:

软件运行界面

爬取结果截图:

以上。

1.2 演示视频

软件使用演示:有。

1.3 软件说明

几点重要说明:

重要说明

以上。

二、代码讲解

2.1 爬虫采集模块

请求地址:

代码语言:python
代码运行次数:0
复制
Cloud Studio 代码运行
# 请求地址
url = 'https://edith.xiaohongshu.com/api/sns/web/v1/feed'

请求头:

代码语言:python
代码运行次数:0
复制
Cloud Studio 代码运行
# 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',
}

说明一下,cookie是个关键参数。Cookie是存储在用户计算机上的小文本文件,用于存储用户的网站偏好、登录信息、购物车内容等信息。Cookie在网站和用户之间传递信息,以提供更好的用户体验和个性化的服务。其中,cookie里的a1和web_session获取方法,如下:

获取cookie方法

请求参数:

代码语言:python
代码运行次数:0
复制
Cloud Studio 代码运行
# 请求参数
post_data = {
	"source_note_id": note_id,
	"image_formats": ["jpg", "webp", "avif"],
	"extra": {"need_body_topic": "1"}
}

发送请求和接收数据:

代码语言:python
代码运行次数:0
复制
Cloud Studio 代码运行
# 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:

代码语言:python
代码运行次数:0
复制
Cloud Studio 代码运行
# 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。

最后,是把数据保存到csv文件:

代码语言:python
代码运行次数:0
复制
Cloud Studio 代码运行
# 返回数据
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
# 保存到csv文件
with open(self.result_file, 'a+', encoding='utf_8_sig', newline='') as f:
	writer = csv.writer(f)
	writer.writerow(data_row)

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:

代码语言:python
代码运行次数:0
复制
Cloud Studio 代码运行
# 创建主窗口
root = tk.Tk()
root.title('小红书详情采集软件v1.2 | 马哥python说')
# 设置窗口大小
root.minsize(width=850, height=650)

输入控件部分:

代码语言:python
代码运行次数:0
复制
Cloud Studio 代码运行
# 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

底部版权部分:

代码语言:python
代码运行次数:0
复制
Cloud Studio 代码运行
# 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。

2.3 日志模块

日志文件对于系统管理、故障排除、性能监控、安全审计等方面都起着至关重要的作用,帮助管理员和分析师了解系统的运行情况并作出相应的决策。日志模块的代码:

代码语言:python
代码运行次数:0
复制
Cloud Studio 代码运行
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')

日志文件截图:

log

以上。

三、结尾

我是一枚10年程序猿,专注Python开发。