-
一、背景介紹
- 1.1 爬取目標
- 1.2 演示視頻
- 1.3 軟件說明
-
二、代碼講解
- 2.1 爬蟲采集模塊
- 2.2 軟件界面模塊
- 2.3 日志模塊
- 三、獲取源碼及軟件
一、背景介紹
1.1 爬取目標
您好！我是@馬哥python說 ，一名10年程序猿。
我用python開發(fā)了一個爬蟲采集軟件，可自動按關鍵詞抓取小紅書筆記數(shù)據(jù)。
為什么有了源碼還開發(fā)界面軟件呢？方便不懂編程代碼的小白用戶使用，無需安裝python，無需改代碼，雙擊打開即用！
軟件界面截圖：
爬取結果截圖：
結果截圖1:
結果截圖2:
結果截圖3:
以上。
1.2 演示視頻
軟件運行演示：
【軟件演示】小紅書搜索采集工具，可同時多個關鍵詞，并支持篩選筆記類型、排序等
1.3 軟件說明
幾點重要說明：
- Windows用戶可直接雙擊打開使用，無需Python運行環(huán)境，非常方便！
- 需要填入cookie中的a1值和web_session值
- 支持按筆記類型（綜合/視頻/圖文）和排序方式（綜合/最新/最熱）爬取
- 支持同時爬多個關鍵詞
- 每個關鍵詞最多可采集220條左右的筆記，與網頁端數(shù)量一致
- 爬取過程中，有l(wèi)og文件詳細記錄運行過程，方便回溯
- 爬取完成后，自動導出結果到csv文件
- 爬取字段含：關鍵詞, 頁碼, 筆記id, 筆記鏈接, 筆記標題, 筆記類型, 點贊數(shù), 用戶id, 用戶主頁鏈接, 用戶昵稱。
以上。
二、代碼講解
2.1 爬蟲采集模塊
首先，定義接口地址作為請求地址：
# 請求地址
url = 'https://edith.xiaohongshu.com/api/sns/web/v1/search/notes'
定義一個請求頭，用于偽造瀏覽器：
# 請求頭
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': '換成自己的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',
}
說明一下，cookie是個關鍵參數(shù)。
其中，cookie里的a1和web_session獲取方法，如下：
這兩個值非常重要，軟件界面需要填寫??！
加上請求參數(shù)，告訴程序你的爬取條件是什么：
# 請求參數(shù)
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",
}
下面就是發(fā)送請求和接收數(shù)據(jù)：
# 發(fā)送請求
r = requests.post(url, headers=h1, data=data_json.encode('utf8'))
print(r.status_code)
# 以json格式接收返回數(shù)據(jù)
json_data = r.json()
定義一些空列表，用于存放解析后字段數(shù)據(jù)：
# 定義空列表
note_id_list = [] # 筆記id
note_title_list = [] # 筆記標題
note_type_list = [] # 筆記類型
like_count_list = [] # 點贊數(shù)
user_id_list = [] # 用戶id
user_name_list = [] # 用戶昵稱
循環(huán)解析字段數(shù)據(jù)，以"筆記標題"為例：
# 循環(huán)解析
for data in json_data['data']['items']:
# 筆記標題
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，不再贅述。
最后，是把數(shù)據(jù)保存到csv文件：
# 把數(shù)據(jù)保存到Dataframe
df = pd.DataFrame(
{
'關鍵詞': search_keyword,
'頁碼': page,
'筆記id': note_id_list,
'筆記鏈接': ['https://www.xiaohongshu.com/explore/' + i for i in note_id_list],
'筆記標題': note_title_list,
'筆記類型': note_type_list,
'點贊數(shù)': like_count_list,
'用戶id': user_id_list,
'用戶主頁鏈接': ['https://www.xiaohongshu.com/user/profile/' + i for i in user_id_list],
'用戶昵稱': user_name_list,
}
)
if os.path.exists(result_file):
header = False
else:
header = True
# 把數(shù)據(jù)保存到csv文件
df.to_csv(result_file, mode='a+', index=False, header=header, encoding='utf_8_sig')
完整代碼中，還含有：判斷循環(huán)結束條件、js逆向解密、筆記類型（綜合/視頻圖文）篩選、排序方式篩選（綜合/最新/最熱）等關鍵實現(xiàn)邏輯。
2.2 軟件界面模塊
主窗口部分：
# 創(chuàng)建主窗口
root = tk.Tk()
root.title('小紅書搜索采集軟件v1 | 馬哥python說 |')
# 設置窗口大小
root.minsize(width=850, height=650)
輸入控件部分：
# 搜索關鍵詞
tk.Label(root, justify='left', text='搜索關鍵詞:').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') # 擺放位置
底部版權部分：
# 版權信息
copyright = tk.Label(root, text='@馬哥python說 All rights reserved.', font=('仿宋', 10), fg='grey')
copyright.place(x=290, y=625)
以上。
2.3 日志模塊
好的日志功能，方便軟件運行出問題后快速定位原因，修復bug。
核心代碼：
def get_logger(self):
self.logger = logging.getLogger(__name__)
# 日志格式
formatter = '[%(asctime)s-%(filename)s][%(funcName)s-%(lineno)d]--%(message)s'
# 日志級別
self.logger.setLevel(logging.DEBUG)
# 控制臺日志
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'
# 將其保存到特定目錄，ap方法就是尋找項目根目錄，該方法博主前期已經寫好。
case_dir = r'./logs/'
info_handler = TimedRotatingFileHandler(filename=case_dir + info_file_name,
when='MIDNIGHT',
interval=1,
backupCount=7,
encoding='utf-8')
日志文件截圖：
以上。
三、獲取源碼及軟件
get完整源碼：【GUI軟件】小紅書搜索結果批量采集，支持多個關鍵詞同時抓取文章來源：http://www.zghlxwxcb.cn/news/detail-759403.html
by 馬哥python說文章來源地址http://www.zghlxwxcb.cn/news/detail-759403.html
到了這里，關于【GUI軟件】小紅書搜索結果批量采集，支持多個關鍵詞同時抓??！的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網！
