mirror of
https://github.com/NanmiCoder/MediaCrawler.git
synced 2025-11-25 03:15:17 +08:00
70 lines
2.2 KiB
Python
70 lines
2.2 KiB
Python
# -*- coding: utf-8 -*-
|
|
# Copyright (c) 2025 relakkes@gmail.com
|
|
#
|
|
# This file is part of MediaCrawler project.
|
|
# Repository: https://github.com/NanmiCoder/MediaCrawler/blob/main/media_platform/xhs/extractor.py
|
|
# GitHub: https://github.com/NanmiCoder
|
|
# Licensed under NON-COMMERCIAL LEARNING LICENSE 1.1
|
|
#
|
|
|
|
# 声明：本代码仅供学习和研究目的使用。使用者应遵守以下原则：
|
|
# 1. 不得用于任何商业用途。
|
|
# 2. 使用时应遵守目标平台的使用条款和robots.txt规则。
|
|
# 3. 不得进行大规模爬取或对平台造成运营干扰。
|
|
# 4. 应合理控制请求频率，避免给目标平台带来不必要的负担。
|
|
# 5. 不得用于任何非法或不当的用途。
|
|
#
|
|
# 详细许可条款请参阅项目根目录下的LICENSE文件。
|
|
# 使用本代码即表示您同意遵守上述原则和LICENSE中的所有条款。
|
|
|
|
import json
|
|
import re
|
|
from typing import Dict, Optional
|
|
|
|
import humps
|
|
|
|
|
|
class XiaoHongShuExtractor:
|
|
def __init__(self):
|
|
pass
|
|
|
|
def extract_note_detail_from_html(self, note_id: str, html: str) -> Optional[Dict]:
|
|
"""从html中提取笔记详情
|
|
|
|
Args:
|
|
html (str): html字符串
|
|
|
|
Returns:
|
|
Dict: 笔记详情字典
|
|
"""
|
|
if "noteDetailMap" not in html:
|
|
# 这种情况要么是出了验证码了，要么是笔记不存在
|
|
return None
|
|
|
|
state = re.findall(r"window.__INITIAL_STATE__=({.*})</script>", html)[
|
|
0
|
|
].replace("undefined", '""')
|
|
if state != "{}":
|
|
note_dict = humps.decamelize(json.loads(state))
|
|
return note_dict["note"]["note_detail_map"][note_id]["note"]
|
|
return None
|
|
|
|
def extract_creator_info_from_html(self, html: str) -> Optional[Dict]:
|
|
"""从html中提取用户信息
|
|
|
|
Args:
|
|
html (str): html字符串
|
|
|
|
Returns:
|
|
Dict: 用户信息字典
|
|
"""
|
|
match = re.search(
|
|
r"<script>window.__INITIAL_STATE__=(.+)<\/script>", html, re.M
|
|
)
|
|
if match is None:
|
|
return None
|
|
info = json.loads(match.group(1).replace(":undefined", ":null"), strict=False)
|
|
if info is None:
|
|
return None
|
|
return info.get("user").get("userPageData")
|