wangshaoqing/xhs_video_crawler

Fork 0

wangshaoqing 74a79cb1f4 Improve XHS long task downloads

2026-06-08 10:41:02 +08:00

7.3 KiB

Raw Permalink Blame History

xhs_video_crawler 工作移交文档

移交日期：2026-06-08

项目概述

本项目用于探索和验证小红书公开视频内容的采集和下载链路。当前实现采用人工登录浏览器 + 本地脚本附着调试端口的方式运行，不包含自动登录、验证码绕过或私有接口调用。

核心入口：

login_xhs.py：启动带远程调试端口的 Chrome，并打开小红书页面供人工登录。
XHS.py：附着到已登录 Chrome，发现笔记链接，解析视频地址，下载视频并写入元数据。
test_xhs.py、test_login_xhs.py：单元测试。
docs/superpowers/：需求和实现计划文档，记录了浏览器 feed 下载、长任务队列、搜索来源等设计背景。

当前能力

单次发现页下载

登录后可直接下载当前发现页或指定起始页的视频：

./.venv/bin/python XHS.py --max-videos 10

长任务队列下载

长任务使用 JSONL 队列文件保存状态，支持中断后继续：

./.venv/bin/python XHS.py \
  --source video-channel \
  --target-videos 500 \
  --queue-file data/xhs_500_queue.jsonl \
  --metadata-file data/xhs_500_metadata.jsonl \
  --report-file data/xhs_500_report.json \
  --output-dir video/xhs_500 \
  --max-runtime 28800 \
  --timeout 25 \
  --retry-limit 2 \
  --min-wait 2 \
  --max-wait 6 \
  --long-break-every 20

队列状态：

pending：待处理。
downloaded：已下载。
skipped_image：无视频候选，通常是图文笔记或详情页没有暴露视频地址。
failed：超过重试次数仍失败，例如响应过小、网络错误等。

搜索来源下载

支持关键词搜索来源：

./.venv/bin/python XHS.py \
  --source search \
  --keyword 猫咪 \
  --target-videos 100 \
  --queue-file data/search_cat_queue.jsonl

近期重要改动

本次移交提交中包含长任务稳定性补强：

下载改为 requests.get(..., stream=True) 分块写入，避免大文件一次性读入内存。
下载时先写入 .part 临时文件，校验通过后再替换为正式 .mp4；失败时清理 .part。
增加 DEFAULT_MIN_VIDEO_BYTES = 200 * 1024，默认拒绝过小视频响应，避免把异常响应保存为视频。
队列模式支持 --min-video-bytes 和 --report-file。
队列任务结束后生成运行报告 JSON，包含下载数量、队列状态、元数据行数、评论统计、目录大小、耗时等。
元数据中增加 file_size_bytes。
新增对应单元测试，覆盖流式下载、过小响应拒绝、CLI 参数透传、运行报告统计。

500 条长任务验证结果

2026-06-01 至 2026-06-02 跑过一次真实 500 条长任务验证。

命令使用 video-channel 来源，目标 500 条，输出到：

视频目录：video/xhs_500
队列文件：data/xhs_500_queue.jsonl
元数据文件：data/xhs_500_metadata.jsonl
运行报告：data/xhs_500_report.json

验证结果：

下载成功：500
本地 mp4 文件：500
元数据行数：500
.part 临时文件残留：0
输出目录大小：约 4.5 GB
总耗时：19052.52 秒，约 5 小时 17 分钟
队列最终状态：
- downloaded: 500
- skipped_image: 147
- failed: 2
- pending: 50

两个 failed 都是 视频响应过小，被最小字节数保护逻辑拦截。skipped_image 主要来自视频频道队列里混入无视频候选的笔记。

结论：当前链路可以稳定跑 500 条级别长任务。主要瓶颈不是进程稳定性，而是视频频道来源筛选精度和页面内容密度。

运行环境

推荐环境：

python3 -m venv .venv
source .venv/bin/activate
pip install requests DrissionPage

启动浏览器：

./.venv/bin/python login_xhs.py --browser-port 9223

注意事项：

Chrome 必须保持运行，脚本通过 127.0.0.1:9223 附着。
登录和验证码需要人工处理。
长任务期间不要让电脑睡眠、断网或关闭 Chrome。
如果任务中断，保留 queue-file 后重新执行相同命令即可继续。

数据和产物

以下目录在 .gitignore 中，正常不应提交：

.venv/
.xhs-chrome-profile/
data/
video/
data_queue_smoke/
data_search_smoke/
video_queue_smoke/
video_search_smoke/
video_human_test/

原因：

.xhs-chrome-profile/ 可能包含本地浏览器登录态。
data/ 和 video/ 是运行产物，体积大，且可能包含采集数据。

测试

提交前建议运行：

python3 -m unittest test_xhs.py test_login_xhs.py -v

当前测试覆盖重点：

可选运行依赖缺失时模块可导入。
Chrome 调试端口检测。
feed 和 HTML 中视频候选提取。
元数据、评论、输出文件名构造。
队列加载、保存、去重和状态流转。
搜索和视频频道来源构造。
流式下载和异常响应校验。
队列运行报告统计。

已知问题和风险

视频频道来源筛选不够精确

队列里会混入图文或详情页无视频候选笔记，500 条验证中有 147 条 skipped_image。这不影响稳定性，但会降低有效下载效率。
页面依赖小红书前端结构

当前依赖页面 DOM、内嵌状态和浏览器 feed 响应。如果小红书前端结构变化，解析器可能需要更新。
不适合无人值守处理验证码

项目设计前提是人工登录和人工处理验证码，不做自动绕过。
单进程串行下载速度有限

当前设计偏稳健，默认有人类化等待、详情页打开、评论加载和长停留。500 条真实验证耗时约 5 小时 17 分钟。
运行产物没有进入 Git

真实验证产物保存在本地 data/、video/，默认不提交。如需归档，应走对象存储、网盘或其他专门的数据归档流程。

建议后续优化

提高视频卡片筛选精度

优先优化 collect_note_urls_from_page(..., video_only=True) 的 DOM 判断，降低 skipped_image 比例。
增加任务心跳

可周期性写 heartbeat 或增量报告，避免长任务中途只能从队列文件推断状态。
增加中断报告

当前报告在正常结束时写入。后续可以在 KeyboardInterrupt 或异常退出时也写入当前队列摘要。
将长任务参数固化成脚本

可以新增 scripts/run_xhs_long_task.sh 或类似入口，减少手动拼命令出错。
降低评论采集开销

如果只关注视频下载稳定性，可设置 --max-comments 0，能明显提升吞吐。
增加数据入库或对象存储

目前产物是本地 mp4 + JSONL。若后续要用于生产流程，应考虑上传对象存储并将元数据同步到数据库。

接手建议

接手时建议按以下顺序熟悉：

阅读 README.md，跑通 1 到 3 条小规模下载。
阅读 XHS.py 中 run_queue_download、download_video、extract_video_candidates*、collect_note_urls*。
运行完整单测。
用 --target-videos 20 跑一次队列模式，查看 queue、metadata、report 三类产物。
再考虑改动来源筛选或任务报告能力。

合规边界

本项目仅用于技术学习、链路验证和授权范围内的数据处理。使用时应遵守平台服务条款、robots 协议和相关法律法规，不应绕过访问控制、验证码或平台风控，不应采集或传播未授权内容。

7.3 KiB Raw Permalink Blame History Unescape Escape