【python爬虫软件】2024版小红书根据博主批量采集主页已发布笔记！

原创

马哥小迷弟132

发布于 2024-06-26 14:51:09

1160

发布于 2024-06-26 14:51:09

文章被收录于专栏：小红书采集软件小红书采集软件

一、背景介绍

1.1 爬取目标

对于自媒体从业者来说，采集小红书热门对标作品的意义在于帮助用户了解当前流行的内容和趋势，可以帮助用户更好地把握市场需求，同时也可以启发用户创作出更具吸引力和创新性的内容。通过观察热门对标作品，用户可以学习到一些成功的案例和经验，从而提高自己的内容质量和影响力，还可以帮助用户更好地定位自己的目标受众和市场定位，有助于提升自己在小红书等平台上的曝光和影响力。

基于此目的，我用python开发了一个爬虫采集工具，按指定博主采集其主页已发布笔记。

爬取结果截图：

结果截图3:

1.2 演示视频

软件使用演示：

【软件演示】小红书博主笔记采集工具

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
posted_url = 'https://edith.xiaohongshu.com/api/sns/web/v1/user_posted'

定义一个请求头，用于伪造浏览器：

# 请求头
h1 = {
	"Content-Type": "application/json; charset=utf-8",
	"Accept": "application/json, text/plain, */*",
	"Accept-Language": "zh-CN,zh;q=0.9",
	"Origin": "https://www.xiaohongshu.com",
	"Referer": "https://www.xiaohongshu.com/",
	"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36",
	"Connection": "keep-alive",
	"Cookie": "换成自己的CK".format(self.web_session, self.a1),
}

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
params = {
	"num": 30,
	"cursor": next_cursor,
	"user_id": user_id,
	"image_scenes": ""
}

下面就是发送请求和接收数据：

# 发送请求
r = requests.post(posted_url, headers=h1, params=params)
# 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
title = i['display_title']
title_list.append(title)

其他字段同理，不再赘述。

保存数据到Dataframe中：

# 保存数据到DF
df = pd.DataFrame(
	{
		'作者昵称': author_name_list,
		'作者id': author_id_list,
		'作者链接': ['https://www.xiaohongshu.com/user/profile/' + str(i) for i in author_id_list],
		'页码': page,
		'笔记标题': title_list,
		'笔记id': note_id_list,
		'笔记链接': note_url_list,
		'笔记类型': note_type_list,
		'点赞数': likes_list,
	}
)

最后，再把数据保存到csv文件：

# 设置csv文件表头
if os.path.exists(self.result_file):
	header = False
else:
	header = True
# 保存到csv
df.to_csv(self.result_file, mode='a+', header=header, index=False, encoding='utf_8_sig')
self.tk_show('文件保存成功：' + self.result_file)

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('小红书博主笔记采集软件v1.0 | 马哥python说 |')
# 设置窗口大小
root.minsize(width=850, height=650)

输入控件部分：

# 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：

# 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

优秀的日志功能，方便软件运行出问题后快速定位原因，修复问题。主要是给开发者借鉴。

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')

日志文件的生成截图：