案例 09｜小红书笔记搜索与话题采集

一、案例背景与采集目标

做课程作业、写选题报告、给社团活动找灵感，很多人第一反应是去小红书搜一搜。它的搜索结果页把用户发布的图文与视频笔记排成一列，每条带标题、作者、点赞数、收藏数和话题标签——这正是一份现成的选题参考表。

但这一案例的重点不是技术难度，而是合规。小红书有很强的登录墙，未登录只能看到前若干条，继续往下滚动就会弹登录；页面还由脚本实时渲染，静态源码里几乎是空的。所以这一案例要同时讲清两件事：怎么在公开可见的范围内取到元数据，以及哪些东西坚决不能碰。

1.1 这一篇用哪些真实站点

示范站点是小红书的搜索结果页，以关键词「考研」为例，地址 https://www.xiaohongshu.com/search_result?keyword=考研。它有强登录墙：不登录只能看到前若干条，继续滚动会要求登录；因此课堂练习只采前 1~2 页公开可见的笔记，不登录、不绕过任何验证。

延伸站点用于对照与兜底，都是公开榜单，出现登录墙时可以直接切换：微博热搜榜 https://s.weibo.com/top/summary、B 站全站排行榜 https://www.bilibili.com/v/popular/rank/all、知乎热榜 https://www.zhihu.com/hot，以及抖音热榜。

1.2 这个案例要拿到什么

• 搜索关键词与每条笔记在页面上的名次；
• 笔记标题、笔记类型（图文 / 视频）、作者昵称与作者 ID；
• 点赞、收藏、评论三个互动数字，并把「1.2万」这类写法换算成整数；
• 发布时间、话题标签、详情页链接与封面图链接；
• 标注加载批次与采集时刻，说明这条来自第几批加载。

1.3 先分清「能采」与「不能采」

这个站点的边界特别清楚，动手之前先在心里划好线：

1.4 这个案例真正的难点在哪

难点有三：第一，强登录墙，不登录只能看前若干条，滚动到底还会弹登录框；第二，页面靠脚本渲染，直接读源码拿不到笔记，要驱动浏览器打开后再读；第三，数字写成「1.2万」、时间写成「3 天前」，都要还原成规范值。三关过了，表才立得住。

1.5 这张表能回答什么问题

• 选题热度：某个关键词下，哪几条笔记点赞最高，大家在关心什么角度；
• 形式偏好：图文与视频各占多少，这个话题更适合做成哪一种；
• 话题聚集：高频出现的话题标签有哪些，能不能据此再拆出更细的子话题；
• 高产账号：同一个话题下，哪些作者反复出现。

目标站点与交付产物

下表是本篇用到的真实站点。绿色是课堂可稳定复现的示范站点；橙色是延伸站点，多数有登录墙或风控，课堂上只讲结构、原理与合规边界，不教绕过。

二、数据源与字段设计

数据源是小红书的搜索结果页。我们不做全站采集，只按一个关键词、只取公开可见的前 1~2 页笔记；页面由脚本渲染，所以要驱动浏览器打开后再读取。

2.1 站点信息表

2.2 完整字段表

2.3 数字与时间的还原规则

搜索结果页上的数字和时间都经过了「美化」，要还原成规范值才好比较：

三、零代码操作步骤

下面是在 WorkBuddy 里完成本案例的流程。请注意第一步不是采集，而是确认边界。

1. 先讲清合规前提。打开 https://www.xiaohongshu.com/search_result?keyword=考研，先说明「这个站点有强登录墙，只采前 1~2 页公开可见的笔记，不登录、不绕过验证，出现登录提示立刻停」。
2. 先探可见范围。让人只做一件事：告诉你不登录能看到多少条、页面有没有弹出登录框，先不要采集。
3. 驱动浏览器读取。页面由脚本渲染，直接读源码是空的，要求 WorkBuddy 用浏览器打开页面后再读取。
4. 只取前 1~2 页。按字段表取笔记标题、笔记类型、作者、点赞收藏评论数、话题标签与链接，够一页就停。
5. 做还原。说「把点赞数从 1.2万 这类写法换成整数，把发布时间统一成 YYYY-MM-DD」。
6. 记采集时刻与批次。整批新增「采集时刻」和「加载批次」两列。
7. 采不到就切备选站点。如果一直要求登录，就改采微博热搜 https://s.weibo.com/top/summary 或 B 站排行榜 https://www.bilibili.com/v/popular/rank/all，把方法跑通即可。
8. 导出并归档。导出 Excel，文件名带上关键词与日期。

四、提示词模板与追问技巧

下面这段可以直接复制。它的关键是把真实网址、只采前 1~2 页、字段、还原规则、备选站点、合规红线一次说清。

请帮我采集小红书搜索结果页上公开可见的笔记。

【目标页面】https://www.xiaohongshu.com/search_result?keyword=考研
【搜索关键词】考研

【重要前提】
  - 这个站点有强登录墙：不登录只能看到前若干条，继续向下滚动会弹出登录；
  - 请只采前 1~2 页、公开可见的笔记；
  - 绝对不要尝试登录，也不要绕过任何验证；
  - 一旦出现登录提示或验证码，立刻停下来告诉我，我改用备选站点。

【需要字段】按这个顺序：
  1. 搜索关键词      2. 搜索页名次
  3. 笔记标题        4. 笔记类型（图文 / 视频）
  5. 笔记 ID         6. 作者昵称
  7. 作者 ID         8. 点赞原文（如 1.2万）
  9. 点赞数（换算成整数，如 12000）
  10. 收藏数         11. 评论数
  12. 发布时间       13. 话题标签（多个用分号连接）
  14. 详情页链接       15. 封面图链接
  16. 加载批次       17. 采集时刻

【处理要求】
  1. 页面是脚本渲染的，请驱动浏览器打开后再读取；
  2. 先给我前 10 条预览，我确认后再导出；
  3. 文件名 xhs_search_kaoyan_20261008.xlsx；
  4. 只记录封面图的地址，不要下载图片；不要采笔记正文全文。

【合规要求】
  - 只采公开可见的元数据，不采作者隐私信息；
  - 不登录、不绕过登录与验证码；
  - 请求之间间隔 3 秒以上，出现验证提示立即停止。

【备选方案】如果小红书一直采不到，改采下面任一个公开榜单作对照：
  微博热搜 https://s.weibo.com/top/summary
  B 站排行榜 https://www.bilibili.com/v/popular/rank/all

4.1 三条常用追问指令

追问一（还原数字）：
点赞数那列现在是「1.2万」这样的文字，请新增一列换算成整数，
原文保留在「点赞原文」列里，我抽查几条。

追问二（换关键词）：
请把关键词换成「考研 英语」，重新采一页，
用「搜索关键词」这一列区分，最后把两次结果合并成一张表。

追问三（按作者汇总）：
请按作者昵称分组，统计每位作者出现的条数与平均点赞数，
从多到少排列，告诉我哪些作者在这个话题下出现得最多。

五、结果核对、清洗与保存

先看搜索结果的结果样例（示例数据）：

5.1 四项核对

• 条数：是不是只采了前 1~2 页公开可见的部分，有没有被登录提示中途打断；
• 字段：标题有没有截断，作者昵称、话题标签、链接是不是都取到了；
• 还原：抽查「1.2万」这类写法，换算成整数对不对；
• 时刻与批次：整批的采集时刻是不是同一个，加载批次有没有标明。

5.2 清洗指令，直接复制

请对本次搜索结果做以下清洗：
① 去掉笔记标题的首尾空格，话题标签去掉开头的井号；
② 点赞、收藏、评论数统一成整数，并保留「点赞原文」列；
③ 发布时间统一成 YYYY-MM-DD；
④ 话题标签统一用分号分隔，去掉多余空格；
⑤ 新增一列「热度参考」= 点赞数 加 收藏数 乘 2 加 评论数 乘 3，
   并在备注里写明这个公式的口径；
⑥ 按搜索页名次升序排列。

5.3 保存与归档约定

xhs_search_kaoyan_20261008.xlsx        ← 本次搜索结果（元数据）
xhs_search_kaoyan_20261008_clean.xlsx  ← 清洗版（含换算与热度参考）
xhs_search_all.xlsx                    ← 累积表：不同关键词的结果合并
xhs_search_log.txt                     ← 日志：采集时刻、条数、是否遇到登录

5.4 从这张表能看出什么

拿到表之后，最实用的两个看法是：

• 横向看角度：把点赞最高的几条挑出来，看它们在讲这个话题的哪个侧面，选题就有方向了；
• 纵向看标签：把话题标签拆开统计，出现次数多的标签，就是可以继续深挖的子话题。

注意，这里只做统计与摘要：统计每条笔记的互动数、统计话题标签的出现次数，都不涉及把别人的正文整篇搬走。

六、常见问题与合规红线

6.1 五个高频问题

6.2 四条合规红线（本案例最重要的一节）

1. 只采公开可见的笔记元数据。课堂只取前 1~2 页做演示；现场很可能要求登录，采不到就切到备选站点，不要为难自己，更不要硬闯。
2. 不绕过登录与验证码。不注册小号、不借用他人账号、不使用任何破解手段；出现登录或验证提示就停下。
3. 不采个人隐私。作者的手机号、微信号、私信内容、关注与粉丝关系，一律不碰。
4. 笔记正文受著作权保护。只做统计与摘要，不整理全文，不整篇搬运到其他平台。

这里把「只采前 1~2 页」的道理讲透一点：目的是演示方法，不是采数据本身。前 1~2 页足够看清页面结构、跑通流程、算出一张表，也足以把请求量压到很低。剩下的笔记，不采也不影响你学会这件事。

七、随堂自测（10 题）

点击选项即可判分，答错的题会立刻显示解析。