MediaCrawler 小红书爬虫源码分析

发布网友发布时间：2024-10-01 05:05

共1个回答

热心网友时间：2024-10-01 06:39

MediaCrawler，一款开源多社交平台爬虫，以其独特的功能，近期在GitHub上广受关注。尽管源码已被删除，我有幸获取了一份，借此机会，我们来深入分析MediaCrawler在处理小红书平台时的代码逻辑。

爬虫开发时，通常需要面对登录、签名算法、反反爬虫策略及数据抓取等关键问题。让我们带着这些挑战，一同探索MediaCrawler是如何解决小红书平台相关问题的。

对于登录方式，MediaCrawler提供了三种途径：QRCode登录、手机号登录和Cookie登录。其中，QRCode登录通过`login_by_qrcode`方法实现，它利用QRCode生成机制，实现用户扫码登录。手机号登录则通过`login_by_mobile`方法，借助短信验证码或短信接收接口，实现自动化登录。而Cookie登录则将用户提供的`web_session`信息，整合至`browser_context`中，实现通过Cookie保持登录状态。

小红书平台在浏览器端接口中采用了签名验证机制，MediaCrawler通过`_pre_headers`方法，实现了生成与验证签名参数的逻辑。深入`_pre_headers`方法的`sign`函数，我们发现其核心在于主动调用JS函数`window._webmsxyw`，获取并生成必要的签名参数，以满足平台的验证要求。

除了登录及签名策略外，MediaCrawler还采取了一系列反反爬虫措施。这些策略主要在`start`函数中实现，通过`self.playwright_page.evaluate`调用JS函数，来识别和对抗可能的反爬虫机制。这样，MediaCrawler不仅能够获取并保持登录状态，还能够生成必要的签名参数，进而实现对小红书数据的抓取。

在数据抓取方面，MediaCrawler通过`httpx`库发起HTTP请求，请求时携带Cookie和签名参数，直接获取API数据。获取的数据经过初步处理后，被存储至数据库中。这一过程相对直接，无需进行复杂的HTML解析。

综上所述，MediaCrawler小红书爬虫通过主动调用JS函数、整合登录信息及生成签名参数，实现了对小红书平台的高效爬取。然而，对于登录方式中的验证码验证、自动化操作等方面，还需用户手动完成或借助辅助工具。此外，通过`stealthjs`库，MediaCrawler还能有效对抗浏览器检测，增强其反反爬虫能力。