Xhs crawler

小红书爬虫 Skill

搜索 → 点击笔记 → 一趟提取全部（标题/正文/图片/评论） → 下载图片 → 导出 Excel。

前提

1. browser-harness 已安装（uv tool install -e ~/browser-harness）
2. Chrome 已连接（chrome://inspect 勾选远程调试）
3. 小红书已登录
4. openpyxl 已安装（pip install openpyxl）

批量爬取流程

Step 1: 打开搜索页

URL: https://www.xiaohongshu.com/search_result?keyword={编码关键词}&source=web_explore_feed

轮询等待卡片渲染（SPA 冷启动慢），然后 window.scrollBy(0, 1200) 滚动 6 次加载更多卡片。

Step 2: 收集卡片（去重 + 排序）

收集所有 .note-item 内的 a[href*="/explore/"]，按 ID 去重。不足目标数量则继续滚动加载。

排序：5 列瀑布流，按 y 分组（差距 <100px = 同排），每排内按 x 升序。详见 waterfall-layout.md。

Step 2.5: 创建本次爬取目录

每次爬取用独立子目录，防止旧数据混入：

mkdir -p xhs_data/$(date +%Y%m%d)_{关键词简写}

所有 JSON 保存到这个子目录。导出 Excel 时也指定这个目录。

Step 3: 一趟跑完（关键！）

必须在一个 browser-harness 会话中完成所有笔记的爬取。

原因：小红书是 SPA，重新导航到搜索页会导致卡片不渲染（window.location.href 赋值不触发 Vue Router 路由）。

流程（伪代码）：

for note_id in sorted_ids:
    # 1) 关闭上一篇的浮窗（第一篇跳过）
    if first:
        first = False
    else:
        close_overlay()  # hover_click(50, 400) → wait_mask_gone()

    # 2) 找到卡片坐标
    rect = get_card_rect(note_id)  # JS: elementFromPoint 找 .note-item

    # 3) 点击前验证（防误触"发布"按钮）
    clicked, info = click_card_with_verify(rect['x'], rect['y'])
    if not clicked:
        print(f"  ✗ 跳过 {note_id}: {info}")
        continue

    # 4) 等评论出现
    wait_for_comments()

    # 5) 提取数据（内联或 import xhs_crawl）
    data = extract_note()

    # 6) 保存 JSON
    save_json(note_id, data)

Step 4: 导出 Excel

执行 scripts/xhs_export.py，读取所有 JSON → 合并 → 下载图片 → 生成 Excel。

点击验证（重要！）

点击卡片前必须用 elementFromPoint(x, y) 检查目标元素：

检查项	说明
isCard	向上找 .note-item 祖先，必须存在
bad	文本包含"发布"、"下载APP"、"登录"、"注册"
chain	打印元素链，方便调试点击偏移问题

如果验证失败：

• 打印 ⚠ 跳过: 坐标(x,y) → 原因
• 不执行点击
• 继续下一篇

Retina 屏（devicePixelRatio=2）可能导致坐标偏移。优先用 elementFromPoint 验证而非盲目点击。

反爬要点

规则	说明
必须 click 卡片	直接 goto /explore/{id} 会 404（xsec_token）
不 scrollIntoView 取坐标	会改变位置导致点错
hover + click	展开按钮 hover-gated，必须 mouseMoved
关闭后验证	mask != 'none' 时不能点下一篇
速度随机	笔记间 3~8s + 15% 概率长停顿
不重新导航	SPA 不会重新渲染卡片，必须留在搜索页操作

速度控制（防封）

控制点	延迟	说明
笔记间	38s + 15%概率额外 510s	模拟浏览列表
开帖后	2~4s	等渲染
评论滚动	1~2s	模拟滚轮
展开点击	1.5~3s	模拟阅读
关闭浮窗	0.5~1s	等动画

选择器速查

元素	选择器
卡片容器	.note-item
笔记链接	a[href*="/explore/{id}"]
浮窗遮罩	.note-detail-mask
标题	#detail-title
正文	#detail-desc / .desc
互动栏	.engage-bar
评论条目	.comment-item
评论内容	.note-text
问一问 AI	.ai-comment-text-container / .text-content
层级	祖先 .reply-container = 回复
展开(回复)	.show-more
展开(AI)	.expand-btn
轮播图	.swiper-slide img
active 图	.swiper-slide-active img

完整选择器列表：selectors.md

已知限制

• 视频：blob URL，无法下载 mp4
• 评论图片：表情包（note-content-emoji）忽略，只提取内容图
• 问一问：AI 摘要，长度有限（~140字）
• CDP 长时间运行：10+ 分钟可能断连，每 5 篇检查一次连接

参考

• 选择器详细列表：selectors.md
• 瀑布流排序算法：waterfall-layout.md
• 已知坑点：gotchas.md