有读者在公众号后台询问爬取小红书，今天他来了。
本文可以根据关键词，在小红书搜索相关笔记，并保存为excel表格。
爬取的字段包括笔记标题、作者、笔记链接、作者主页地址、作者头像、点赞量。
一、先看效果
1、爬取搜索页
2、爬取结果保存到本地excel表格
运行我写的爬虫，实验了几十次，都可以顺利爬到数据，每次大概可以爬取到 200 条笔记保存到 excel 表格。
遇到的坑都在实验过程中解决了，可以说，这个爬虫很好用。
3、每个excel表格的详情
以“繁花”为关键词，去搜索小红书相关笔记，保存到本地 excel 文件。打开 excel 查看详情如下，笔记是根据点赞量降序排列的。
以“上海旅游”为关键词，去搜索小红书相关笔记，保存到本地 excel 文件。打开 excel 查看详情如下，笔记是根据点赞量降序排列的。
以“春节”为关键词，去搜索小红书相关笔记，保存到本地 excel 文件。打开 excel 查看详情如下，笔记是根据点赞量降序排列的。
二、分析思路
由于小红书反爬机制很严格，很难批量获取小红书的大量数据。用爬虫去爬小红书数据，还有被小红书封号的风险。
但是我这个方法是纯模拟人的操作，以人的操作习惯去搜索和刷新数据，不会触发小红书的反爬机制。
分析爬虫思路，概括如下：
1、打开小红书主页
2、登录
3、根据关键词搜索笔记
4、提取页面数据
5、循环刷新页面，循环获取数据
6、处理获取到的数据，去重，排序
7、保存到本地 excel 文件
三、开始写代码
1、登录
使用 DrissionPage 库，打开小红书主页https://www.xiaohongshu.com，设置 20 秒延时，这时可以使用手机扫码登录账号。
from DrissionPage import ChromiumPage
def sign_in():
sign_in_page = ChromiumPage()
sign_in_page.get('https://www.xiaohongshu.com')
print("请扫码登录")
# 第一次运行需要扫码登录
time.sleep(20)
只有第 1 次运行代码需要登录，浏览器会保存登录状态信息。第 2 次之后再运行代码，就免登录了，可以把 sign_in()步骤注释掉。
2、设置搜索关键词
设置关键词 keyword，并通过 urllib 库，将关键词转为 url 编码
from urllib.parse import quote
# 搜索关键词
keyword = "繁花"
# 关键词转为 url 编码
keyword_temp_code = quote(keyword.encode('utf-8'))
keyword_encode = quote(keyword_temp_code.encode('gb2312'))
3、搜索结果
根据设置的关键词，打开搜索页面，搜索相关笔记
def search(keyword):
global page
page = ChromiumPage()
page.get(f'https://www.xiaohongshu.com/search_result?keyword={keyword}&source=web_search_result_notes')
4、定位信息
使用 DrissionPage 库定位元素方法，定位到包含笔记信息的 sections、 定位标题、作者、点赞等信息。
# 定位包含笔记信息的sections
container = page.ele('.feeds-page')
sections = container.eles('.note-item')
# 定位文章链接
note_link = section.ele('tag:a', timeout=0).link
# 定位标题、作者、点赞
footer = section.ele('.footer', timeout=0)
# 定位标题
title = footer.ele('.title', timeout=0).text
# 定位作者
author_wrapper = footer.ele('.author-wrapper')
author = author_wrapper.ele('.author').text
# 定位作者主页地址
author_link = author_wrapper.ele('tag:a', timeout=0).link
# 定位作者头像
author_img = author_wrapper.ele('tag:img', timeout=0).link
# 定位点赞
like = footer.ele('.like-wrapper like-active').text
5、向下滑动页面刷新数据
为了防止被检测到，每次下滑页面设置一个 0.5,秒至 1.5 秒之前的随机睡眠时间。使用 DrissionPage 库 scroll.to_bottom()操作页面方法，将页面划到底部，小红书会刷新出新的数据。
import time
import random
def page_scroll_down():
print("********下滑页面********")
# 生成一个随机时间
random_time = random.uniform(0.5, 1.5)
# 暂停
time.sleep(random_time)
# time.sleep(1)
# page.scroll.down(5000)
page.scroll.to_bottom()
6、循环下滑页面获取数据
调用 get_info()函数自动提取页面数据，调用 page_scroll_down()函数自动下滑页面。设置向下滑动 20 次页面，就可以自动刷新数据、提取数据了。
# 设置向下翻页爬取次数
times = 20
def craw(times):
for i in tqdm(range(1, times + 1)):
get_info()
page_scroll_down()
7、保存数据
创建一个 contents 列表，用来存放所有爬取到的信息。
# contents列表用来存放所有爬取到的信息
contents = []
contents.append([title, author, note_link, author_link, author_img, like])
8、保存到excel
使用 pandas 库，将 contents 列表转为 DataFrame 数据类型，保存为 excel 文件。
# 保存到excel文件
name = ['title', 'author', 'note_link', 'author_link', 'author_img', 'like']
df = pd.DataFrame(columns=name, data=data)
这里可以进行细节处理，比如删除重复数据。数据类型转换，将点赞量字符串类型转为 int 类型。根据点赞量降序排序，方便查看热门笔记。
df['like'] = df['like'].astype(int)
# 删除重复行
df = df.drop_duplicates()
# 按点赞 降序排序
df = df.sort_values(by='like', ascending=False)
9、自动调整excel表格列宽
由于笔记标题和作者名称包含的字数较多，可以自动调整这 2 列宽度满足数据在 excel 表格中不被遮挡，可以全部展示出来。
笔记链接、作者主页链接、作者头像链接全是链接，也很长，但是不需要全部展示，可以将这几列设置固定列宽。
import openpyxl
def auto_resize_column(excel_path):
"""自适应列宽度"""
wb = openpyxl.load_workbook(excel_path)
worksheet = wb.active
# 循环遍历工作表中的1-2列
for col in worksheet.iter_cols(min_col=1, max_col=2):
max_length = 0
# 列名称
column = col[0].column_letter
# 循环遍历列中的所有单元格
for cell in col:
try:
# 如果当前单元格的值长度大于max_length，则更新 max_length 的值
if len(str(cell.value)) > max_length:
max_length = len(str(cell.value))
except:
pass
# 计算调整后的列宽度
adjusted_width = (max_length + 2) * 2
# 使用 worksheet.column_dimensions 属性设置列宽度
worksheet.column_dimensions[column].width = adjusted_width
# 循环遍历工作表中的3-5列
for col in worksheet.iter_cols(min_col=3, max_col=5):
max_length = 0
column = col[0].column_letter # Get the column name
# 使用 worksheet.column_dimensions 属性设置列宽度
worksheet.column_dimensions[column].width = 15
wb.save(excel_path)
四、录屏
以一个爬取过程为例，录屏如下：
视频可以在我公众号同名文章查看。
五、全部代码
由于代码太长，在这里只给出主函数代码，有兴趣的读者可以根据上述信息自己补全代码。
if __name__ == '__main__':
# contents列表用来存放所有爬取到的信息
contents = []
# 搜索关键词
keyword = "繁花"
# 设置向下翻页爬取次数
times = 20
# 第1次运行需要登录，后面不用登录，可以注释掉
# sign_in()
# 关键词转为 url 编码
keyword_temp_code = quote(keyword.encode('utf-8'))
keyword_encode = quote(keyword_temp_code.encode('gb2312'))
# 根据关键词搜索小红书文章
search(keyword_encode)
# 根据设置的次数，开始爬取数据
craw(times)
# 爬到的数据保存到本地excel文件
save_to_excel(contents)
六、总结
小红书是商业化很成功的平台，我知道有很多小伙伴在小红书平台做副业，收入甚至超过主业。
我的这个代码，可以帮助你选题、找热点，找流量博主学习。
小红书的数据应该很有价值，特别有兴趣的小伙伴可以在公众号私聊我，以一杯瑞幸咖啡的价格获取全部代码（毕竟我写代码写了一下午~~~）。
我还会继续写小红书别的内容的爬虫，本次付费可以免费获得后续更新的代码。名额有限，仅限前5位小伙伴，先到先得。
每一份能满足他人需求的努力都值得被付费。
本文首发在“程序员coding”公众号，欢迎关注与我一起交流学习。
