【爬虫软件】小红书笔记批量采集工具，含正文内容、IP属地、转评赞藏等

2024/10/25 5:28:35 来源：https://blog.csdn.net/2301_81153914/article/details/142114120 浏览: 次关键词：【爬虫软件】小红书笔记批量采集工具，含正文内容、IP属地、转评赞藏等

一、背景介绍

1.1 爬取目标

爬取目标
众所周知，小红书是国内最火热的种草社交平台，拥有海量的高品质用户，尤其以女性用户居多，相对于其他平台更具有消费能力。平台上的爆火笔记也成为众多媒体从业者的分析对象。于是，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，达到分析竞品笔记、仿写笔记提供了数据基础。

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：
结果截图1

1.2 演示视频

软件使用演示：

【软件演示】爬小红书详情软件

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：

# 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',
}

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：

# 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。

最后，是把数据保存到csv文件：

# 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：

# 创建主窗口
root = tk.Tk()
root.title('小红薯详情采集软件v5.0 | 马哥python说 |')
# 设置窗口大小
root.minsize(width=850, height=650)

输入控件部分：

# 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

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：

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')