【GUI软件】小红书按关键词采集笔记详情,支持多个关键词,含笔记正文、转评赞藏等,爬了1024w条!
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:
【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!
【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!
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:【小红书采集软件】根据关键词自动采集笔记详情,含笔记正文、转评赞藏等
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
- 支持按笔记类型(综合/视频/图文)和排序方式(综合/最新/最热)爬取
- 支持同时爬多个关键词
- 每个关键词最多可采集220条左右笔记,与网页端数量一致
- 爬取过程中,每爬一条,存一次csv结果,防止程序异常中断丢失前面的数据(每条间隔1~2s)
- 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
- 爬取共16个字段,含:关键词,笔记id,笔记链接,笔记标题,笔记内容,笔记类型,发布时间,修改时间,IP属地,点赞数,收藏数,评论数,转发数,用户昵称,用户id,用户主页链接。
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:
# 请求地址
url = "https://edith.xiaohongshu.com/api/sns/web/v1/search/notes"
定义一个请求头,用于伪造浏览器:
# 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",
}
加上请求参数,告诉程序你的爬取条件是什么:
# 请求参数
post_data = {
"keyword": search_keyword,
"page": page,
"page_size": 20,
"search_id": v_search_id,
"sort": v_sort,
"note_type": v_note_type,
"image_scenes": "FD_PRV_WEBP,FD_WM_WEBP",
}
2.2 爬虫采集-详情接口
首先,定义接口地址作为请求地址:
# 请求地址
url = "https://edith.xiaohongshu.com/api/sns/web/v1/feed"
定义一个请求头,用于伪造浏览器:
# 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",
}
加上请求参数,告诉程序你的爬取条件是什么:
# 请求参数
post_data = {
"source_note_id": note_id,
"image_formats": ["jpg", "webp", "avif"],
"extra": {"need_body_topic": "1"}
}
下面就是发送请求和接收数据:
# 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:
# 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。
其他字段同理,不再赘述。
下面就是发送请求和接收数据:
# 发送请求
r = requests.post(url, headers=h1, data=data_json.encode("utf8"))
print(r.status_code)
# 以json格式接收返回数据
json_data = r.json()
定义一些空列表,用于存放解析后字段数据:
# 定义空列表
note_id_list = [] # 笔记id
note_title_list = [] # 笔记标题
note_type_list = [] # 笔记类型
like_count_list = [] # 点赞数
user_id_list = [] # 用户id
user_name_list = [] # 用户昵称
循环解析字段数据,以"笔记标题"为例:
# 循环解析
for data in json_data["data"]["items"]:
# 笔记标题
try:
note_title = data["note_card"]["display_title"]
except:
note_title = ""
print("note_title:", note_title)
note_title_list.append(note_title)
其他字段同理,不再赘述。
最后,是把数据保存到csv文件:
# 把数据保存到Dataframe
df = pd.DataFrame(
{
"关键词": search_keyword,
"页码": page,
"笔记id": note_id_list,
"笔记链接": ["https://www.xiaohongshu.com/explore/" + i for i in note_id_list],
"笔记标题": note_title_list,
"笔记类型": note_type_list,
"点赞数": like_count_list,
"用户id": user_id_list,
"用户主页链接": ["https://www.xiaohongshu.com/user/profile/" + i for i in user_id_list],
"用户昵称": user_name_list,
}
)
if os.path.exists(result_file):
header = False
else:
header = True
# 把数据保存到csv文件
df.to_csv(result_file, mode="a+", index=False, header=header, encoding="utf_8_sig")
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:
# 创建主窗口
root = tk.Tk()
root.title("小红书搜索详情采集软件v1.0 | 马哥python说 |")
# 设置窗口大小
root.minsize(width=850, height=650)
输入控件部分:
# 搜索关键词
tk.Label(root, justify="left", text="搜索关键词:").place(x=30, y=160)
entry_kw = tk.Text(root, bg="#ffffff", width=60, height=2, )
entry_kw.place(x=125, y=160, anchor="nw") # 摆放位置
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)
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:
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,ap方法就是寻找项目根目录,该方法博主前期已经写好。
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:
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"爬小红书搜索详情软件"即可获取。点击直达
原文地址:https://www.cnblogs.com/ws235/p/18143631/xhs_search_detail_tool