【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！

【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！

2024-10-31 20:48

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：

截图1

截图2：

截图2

截图3：

截图3

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。

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：

开发者模式

由此便得到了前端请求链接，下面开始开发爬虫代码。

首先，导入需要用到的库：

定义一个请求头：

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：

获取cookie方法

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）：

另外，还有一个关键问题，如何进行翻页。

查看请求参数，如下：

请求参数中的cursor

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：

返回数据中的cursor

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）：

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：

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。