小红书视频图文提取：采集+CV的实战手记

项目说明：这波视频，值不值得采？

你有没有遇到过这样的场景？老板说："我们得看看最近小红书上关于'旅行'的视频都说了些什么。"团队做数据分析的，立马傻眼：官网打不开、接口抓不着、视频不能保存。

事实上，小红书短视频内容正逐步成为品牌营销、热点追踪、图像分析等领域的"情绪入口"。尤其是搜索页前几条视频，往往已经代表了这个关键词下用户眼中的"热门答案"。

本项目就是围绕这样一个需求展开的：我们希望通过关键词搜索 ，自动抓取小红书里排在前3名的视频内容，包括：

封面图
视频文件（如果有）
标题、作者、发布时间这些基本信息

你可以把这个脚本当成一个"图文数据下载器"，用来收集训练素材、做内容统计，或者单纯保存好看的视频封面图。再配合一些图像识别、文本处理工具，后续的玩法空间就打开了。

重点功能梳理（清单式整理）

功能点	用处说明
搜索关键词	获取你关心的词条的前三条笔记
提取图片/视频链接	拿到视频的原始文件地址，不是截图！
拿到文本数据	包括标题、作者、时间，方便后续分析
使用代理IP	为了稳定访问和防止触发风控
模拟浏览器	模拟真实用户行为，让服务器"误以为"是人类在操作

关键代码段（能直接拿去用）

1、网络配置部分（含代理和请求头）

python 复制代码

import requests

# 爬虫代理加强版（参考亿牛云代理）
proxy_host = "proxy.16yun.cn"
proxy_port = "9020"
proxy_user = "16YUN"
proxy_pass = "16IP"

proxies = {
    "http": f"http://{proxy_user}:{proxy_pass}@{proxy_host}:{proxy_port}",
    "https": f"http://{proxy_user}:{proxy_pass}@{proxy_host}:{proxy_port}",
}

# 请求头和 Cookie（可通过浏览器复制）
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/122.0.0.0 Safari/537.36",
    "Cookie": "这里替换为你自己的cookie字符串",
}

2、分析搜索页接口，获取核心数据

python 复制代码

import json

def search_notes(keyword):
    url = "https://edith.xiaohongshu.com/api/sns/web/v1/search/notes"
    params = {
        "keyword": keyword,
        "sort": "general",
        "page": 1,
        "page_size": 10
    }

    resp = requests.get(url, headers=headers, proxies=proxies, params=params)
    data = json.loads(resp.text)

    results = []
    for i, item in enumerate(data['data']['items'][:3]):
        note = item.get("note_card", {})
        results.append({
            "title": note.get("title", ""),
            "author": note.get("user", {}).get("nickname", ""),
            "time": note.get("time", ""),
            "cover_img": note.get("image_list", [{}])[0].get("url", ""),
            "video_url": note.get("video", {}).get("media", {}).get("url", "")
        })
    return results

2.1下载视频和图片内容

python 复制代码

def download_file(url, filename):
    if not url:
        print(f"跳过空链接：{filename}")
        return
    resp = requests.get(url, headers=headers, proxies=proxies, stream=True)
    with open(filename, 'wb') as f:
        for chunk in resp.iter_content(chunk_size=8192):
            f.write(chunk)
    print(f"下载完成：{filename}")

2.2 主流程（边抓边下）

python 复制代码

if __name__ == "__main__":
    kw = "旅行Vlog"
    results = search_notes(kw)

    for idx, r in enumerate(results):
        print(f"\n第{idx+1}条")
        print("标题：", r["title"])
        print("作者：", r["author"])
        print("时间：", r["time"])

        download_file(r["cover_img"], f"cover_{idx+1}.jpg")
        download_file(r["video_url"], f"video_{idx+1}.mp4")

使用建议

代理推荐：使用类似"亿牛云"这种住宅动态代理，稳定性高一些
Cookie处理：自己手动登录小红书网页版后从控制台复制即可
接口变动：小红书接口可能不定期改，建议用抓包工具（如Mitmproxy）定期确认
频率控制：尽量控制访问频率，模拟正常用户节奏

快速试运行指引

打开浏览器，登录小红书网页版
用F12打开开发者工具，获取请求头 & cookie
替换代码里的对应字段
运行脚本，看是否能成功输出视频标题、作者和时间
查看脚本目录，是否下载了封面图和视频文件

其他建议：可以加点视觉分析的料

如果你要搞点图像识别，可以用 OpenCV 对封面图做点筛选，例如：

python 复制代码

import cv2

def is_valid_image(path):
    img = cv2.imread(path)
    if img is None:
        return False
    # 这里可以加你自己的图片过滤逻辑
    return True

最后

如果你只是想定期拉取关键词对应的视频内容，这个脚本就足够用了；如果你还想做图像识别、评论情绪分析甚至推荐系统，那就可以在此基础上扩展。

这套逻辑目前在我们用得还挺稳定的（当然接口不能挂），你也可以根据业务做适当裁剪和封装。遇到接口变更或风控升级，建议直接用浏览器工具重新确认数据来源。