【GUI软件】小红书指定博主批量采集笔记，支持多博主同时采集！

原创

马哥python说

修改于 2024-03-26 15:42:06

2090

修改于 2024-03-26 15:42:06

文章被收录于专栏：Python爬虫Python爬虫

一、背景介绍

1.1 爬取目标

您好，我是@马哥python说，一名10年程序猿。

我用python开发了一个爬虫采集软件，可自动按指定博主抓取该博主已发布笔记数据。

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！

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：

【软件演示】小红书博主笔记采集工具，指定博主爬取笔记

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
支持同时爬多个博主的笔记数据
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
可爬取9个核心字段，含：作者昵称,作者id,作者链接,页码,笔记标题,笔记id,笔记链接,笔记类型,点赞数。

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": "gid=yYDqDJSjjy7dyYDqDJSqDv8iydu4WMhDIKxCvVfJJ3FkTJq836EFDT888jyKJK28id4dYD42; sec_poison_id=9473b193-aa0e-436e-848a-c53f539ae316; webBuild=4.2.1; websectiga=f47eda31ec99545da40c2f731f0630efd2b0959e1dd10d5fedac3dce0bd1e04d; xsecappid=xhs-pc-web; web_session={}; customer-sso-sid=65a493817900000000000011; x-user-id-pgy.xiaohongshu.com=642651810000000011022ed2; customerClientId=171221914380812; a1={}; webId=e9a9990ce615eec84d0fd8a2f4e9e29d; abRequestId=7c4f00be-699b-57f5-81c9-2783ff470960".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

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')

日志文件截图：