【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：软件运行界面

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：查看a1和web_session

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