【爬虫实战】用Python采集任意小红书笔记下的评论，爬了10000多条，含二级评论！-Toy模板网

这篇具有很好参考价值的文章主要介绍了【爬虫实战】用Python采集任意小红书笔记下的评论，爬了10000多条，含二级评论！。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

一、爬取目标
二、爬虫代码讲解
- 2.1 分析过程
- 2.2 爬虫代码
三、演示视频
四、获取完整源码

一、爬取目标

您好！我是@马哥python说，一名10年程序猿。

我们继续分享Python爬虫的案例，今天爬取小红书上指定笔记（"巴勒斯坦"相关笔记）下的评论数据。

老规矩，先展示结果：

截图1：
【爬虫实战】用Python采集任意小红书笔记下的评论，爬了10000多条，含二级评论！

截图2：
【爬虫实战】用Python采集任意小红书笔记下的评论，爬了10000多条，含二级评论！

截图3：
【爬虫实战】用Python采集任意小红书笔记下的评论，爬了10000多条，含二级评论！

共爬取了1w多条"巴勒斯坦"相关评论，每条评论含10个关键字段，包括：

笔记链接, 页码, 评论者昵称, 评论者id, 评论者主页链接, 评论时间, 评论IP属地, 评论点赞数, 评论级别, 评论内容。

其中，评论级别包括：根评论、二级评论及二级展开评论。

二、爬虫代码讲解

2.1 分析过程

任意打开一个小红书笔记的评论，打开浏览器的开发者模式，网络，XHR，找到目标链接的预览数据，如下：
【爬虫实战】用Python采集任意小红书笔记下的评论，爬了10000多条，含二级评论！

由此便得到了前端请求链接，下面开始开发爬虫代码。

2.2 爬虫代码

首先，导入需要用到的库：

import requests
from time import sleep
import pandas as pd
import os
import time
import datetime
import random

定义一个请求头：

# 请求头
h1 = {
	'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36',
	# cookie需定期更换
	'Cookie': '换成自己的cookie值',
}

经过我的实际测试，请求头包含User-Agent和Cookie这两项，即可实现爬取。
其中，Cookie很关键，需要定期更换。那么Cookie从哪里获得呢？方法如下：
【爬虫实战】用Python采集任意小红书笔记下的评论，爬了10000多条，含二级评论！

下面，开发翻页逻辑。

由于我并不知道一共有多少页，往下翻多少次，所以采用while循环，直到触发终止条件，循环才结束。

那么怎么定义终止条件呢？我注意到，在返回数据里有一个叫做"has_more"的参数，大胆猜测它的含义，是否有更多数据，正常情况它的值是true。如果它的值是false，代表没有更多数据了，即到达最后一页了，也就该终止循环了。

因此，核心代码结构应该是这样（以下是伪代码，主要是表达逻辑，请勿直接copy）：

while True:
	# 发送请求
	r = requests.get(url, headers=h1)
	# 解析数据
	json_data = r.json()
	# 逐条解析
	for c in json_data['data']['comments']:
		# 评论内容
		content = c['content']
		content_list.append(content)
	# 保存数据到csv
	。。。
	# 判断终止条件
	next_cursor = json_data['data']['cursor']
	if not json_data['data']['has_more']:
		print('没有下一页了，终止循环！')
		break
	page += 1

另外，还有一个关键问题，如何进行翻页。

查看请求参数，如下：
【爬虫实战】用Python采集任意小红书笔记下的评论，爬了10000多条，含二级评论！

这里的游标，就是向下翻页的依据，因为每次请求的返回数据中，也有一个cursor：
【爬虫实战】用Python采集任意小红书笔记下的评论，爬了10000多条，含二级评论！

大胆猜测，返回数据中的cursor，就是给下一页请求用的cursor，所以，这部分的逻辑实现应该如下（以下是伪代码，主要是表达逻辑，请勿直接copy）：

while True:
	if page == 1:
		url = 'https://edith.xiaohongshu.com/api/sns/web/v2/comment/page?note_id={}&top_comment_id=&image_scenes=FD_WM_WEBP,CRD_WM_WEBP'.format(
			note_id)
	else:
		url = 'https://edith.xiaohongshu.com/api/sns/web/v2/comment/page?note_id={}&top_comment_id=&image_scenes=FD_WM_WEBP,CRD_WM_WEBP&cursor={}'.format(
			note_id, next_cursor)
	# 发送请求
	r = requests.get(url, headers=h1)
	# 解析数据
	json_data = r.json()
	# 得到下一页的游标
	next_cursor = json_data['data']['cursor']

另外，我在第一章节提到，还爬到了二级评论及二级展开评论，怎么做到的呢？
经过分析，返回数据中有个节点sub_comment_count代表子评论数量，如果大于0代表该评论有子评论，进而可以从sub_comments节点中爬取二级评论。

其中，二级展开评论，请求参数中的root_comment_id代表父评论的id，其他逻辑同理，不再赘述。

最后，是顺理成章的保存csv数据：

# 保存数据到DF
df = pd.DataFrame(
	{
		'笔记链接': 'https://www.xiaohongshu.com/explore/' + note_id,
		'页码': page,
		'评论者昵称': nickname_list,
		'评论者id': user_id_list,
		'评论者主页链接': user_link_list,
		'评论时间': create_time_list,
		'评论IP属地': ip_list,
		'评论点赞数': like_count_list,
		'评论级别': comment_level_list,
		'评论内容': content_list,
	}
)
# 设置csv文件表头
if os.path.exists(result_file):
	header = False
else:
	header = True
# 保存到csv
df.to_csv(result_file, mode='a+', header=header, index=False, encoding='utf_8_sig')

至此，爬虫代码开发完毕。

完整代码中，还包含转换时间戳、随机等待时长、解析其他字段、保存Dataframe数据、多个笔记同时循环爬取等关键逻辑，详见演示视频。