Python进击者
第184篇原创文章
前言
大家好，我是Kuls。
之前写的那篇App抓包软件charles的配置说过，超过30在看，马上更下一篇。有读者问我怎么爬App，我手把手教了他(多图警告)
所以加班加点给大家写了今天这篇文章。
本文将会带着大家完完整整的爬取小红书的全过程
小红书
需要做的前提工作就是装配好mitmproxy
具体的配置过程，我建议大家参照崔大写的来进行安装
https://zhuanlan.zhihu.com/p/33747453
首先，我们打开之前大家配置好的charles
我们来简单抓包一下小红书小程序(注意这里是小程序，不是app)
不选择app的原因是，小红书的App有点难度，参照网上的一些思路，还是选择了小程序
1、通过charles抓包对小程序进行分析
我们打开小红书小程序，随意搜索一个关键词
按照我的路径，你可以发现列表中的数据已经被我们抓到了。
但是你以为这就结束了？
不不不
通过这次抓包，我们知道了可以通过这个api接口获取到数据
但是当我们把爬虫都写好时，我们会发现headers里面有两个很难处理的参数
"authorization"和"x-sign"
这两个玩意，一直在变化，而且不知道从何获取。
所以
2、使用mitmproxy来进行抓包
其实通过charles抓包，整体的抓取思路我们已经清晰
就是获取到"authorization"和"x-sign"两个参数，然后对url进行get请求
这里用到的mitmproxy，其实和charles差不多，都是抓包工具
但是mitmproxy能够跟Python一起执行
这就舒服很多啊
简单给大家举例子
def request(flow): print(flow.request.headers)
在mitmproxy中提供这样的方法给我们，我们可以通过request对象截取到request headers中的url、cookies、host、method、port、scheme等属性
这不正是我们想要的吗？
我们直接截取"authorization"和"x-sign" 这两个参数
然后往headers里填入
整个就完成了。
以上是我们整个的爬取思路，下面给大家讲解一下代码怎么写
其实代码写起来并不难
首先，我们必须截取到搜索api的流，这样我们才能够对其进行获取信息
if 'https://www.xiaohongshu.com/fe_api/burdock/weixin/v2/search/notes' in flow.request.url:
我们通过判断flow的request里面是否存在搜索api的url
来确定我们需要抓取的请求
authorization=re.findall("authorization',.*?'(.*?)'\)",str(flow.request.headers))[0] x_sign=re.findall("x-sign',.*?'(.*?)'\)",str(flow.request.headers))[0] url=flow.request.url
通过上述代码，我们就能够把最关键的三个参数拿到手了，接下来就是一些普通的解析json了。
最终，我们可以拿到自己想要的数据了
如果你想要获取到单篇数据，可以拿到文章id后抓取
"https://www.xiaohongshu.com/discovery/item/" + str(id)
这个页面headers里需要带有cookie，你随意访问一个网站都可以拿到cookie，目前看来好像是固定的
最后，可以把数据放入csv
总结
其实小红书爬虫的抓取并不是特别的难，关键在于思路以及使用的方法是什么。
本期的文章就到这里了，如果本期在看超过40，马上出下一篇干货！
我们下期见~
-------------------********************************** End **********-------------**-----********-**********************************
往期精彩文章推荐：
欢迎各位大佬点击链接加入群聊【helloworld开发者社区】：https://jq.qq.com/?_wv=1027&k=mBlk6nzX进群交流IT技术热点。
本文转自 https://mp.weixin.qq.com/s/hY0ajAelGcYwgeqQd15yuA，如有侵权，请联系删除。