Rednote Crawler

中文 | English

---

中文

小红书 (Xiaohongshu / REDnote) 数据采集框架 + MCP 服务。

基于 Playwright 实现真实浏览器自动化，具备双层反检测能力（playwright-stealth + browserforge）。通过 MCP 协议将采集能力暴露为标准工具，让 AI 助手（Claude Desktop / Code / Cursor）直接调用。

功能特性

• MCP 服务：AI 助手可直接搜索小红书、采集笔记详情和评论
• 多种 Transport：stdio（本地）/ SSE（远程部署）/ Streamable HTTP
• 关键词搜索采集（瀑布流自动滚动加载）
• 笔记详情采集（标题、正文、互动数据、标签、图片/视频）
• 评论采集（Top N 评论，含用户信息和 IP 属地）
• 双层反检测（playwright-stealth 环境级 + browserforge 指纹级）
• 登录状态持久化（扫码登录后自动保存，下次启动免登录）
• 数据输出：JSON（原始完整）+ Excel/xlsx（3 个 Sheet 结构化）
• 生产级稳定性：超时控制、浏览器崩溃自动恢复、登录态失效检测

环境要求

• Python 3.10+
• uv 包管理器

快速开始

# 1. 克隆仓库
git clone https://github.com/yangsijie666/xiaohongshu-crawler.git && cd xiaohongshu-crawler

# 2. 安装依赖
uv sync

# 3. 安装浏览器
uv run playwright install chromium

# 4. 首次登录（扫码）
uv run python scripts/verify_login.py

# 5. 运行采集
uv run python main.py

MCP 服务使用

方式一：stdio 模式（推荐，本地集成）

在 Claude Desktop 配置文件中添加（Mac: ~/Library/Application Support/Claude/claude_desktop_config.json）：

{
  "mcpServers": {
    "rednote-crawler": {
      "command": "uv",
      "args": ["run", "--directory", "/path/to/rednote-crawler", "python", "mcp_server.py"],
      "env": {}
    }
  }
}

方式二：SSE 模式（远程部署）

# 服务器端启动
uv run python mcp_server.py --transport sse --host 0.0.0.0 --port 8000

客户端配置：

{
  "mcpServers": {
    "rednote-crawler": {
      "url": "http://your-server:8000/sse"
    }
  }
}

方式三：Streamable HTTP 模式

uv run python mcp_server.py --transport streamable-http --host 0.0.0.0 --port 8000

MCP 工具列表

工具	说明	耗时
check_login_status	检查登录状态	5-10s
search_notes	关键词搜索笔记（max_count 1-50）	30-90s
get_note_detail	采集笔记详情 + 评论	15-60s
crawl_keyword	完整流程：搜索→详情→评论→存储	2-15min
get_saved_data	查询本地已保存数据	<1s

命令参考

命令	说明
uv sync	安装/同步项目依赖
uv run playwright install chromium	安装 Chromium 浏览器
uv run python main.py	运行完整采集流程
uv run python mcp_server.py	启动 MCP 服务（stdio）
uv run python mcp_server.py --transport sse	启动 MCP 服务（SSE）
uv run python scripts/verify_login.py	验证/完成登录
uv run python scripts/verify_stealth.py	验证反检测效果
uv run python scripts/verify_search.py	验证搜索采集
uv run python scripts/verify_note.py	验证笔记详情+评论采集
uv run pytest --cov	运行测试 + 覆盖率

配置说明

编辑 config/settings.yaml：

配置项	默认值	说明
crawler.keywords	["示例关键词"]	搜索关键词列表
crawler.max_notes_per_keyword	20	每个关键词最多采集笔记数
crawler.max_comments_per_note	20	每条笔记最多采集评论数
crawler.scroll_pause	1.5	滚动后等待时间（秒）
crawler.page_load_timeout	30	页面加载超时（秒）
delay.between_notes	[2, 5]	笔记之间随机延迟范围（秒）
delay.between_searches	[3, 8]	搜索之间随机延迟范围（秒）
browser.headless	false	是否无头模式
storage.output_dir	"data"	输出目录
storage.save_raw_json	true	是否保存原始 JSON
storage.save_xlsx	true	是否保存 Excel

输出格式

data/
├── raw/
│   ├── {keyword}_{timestamp}.json          # 搜索结果
│   └── notes_{keyword}_{timestamp}.json    # 笔记详情+评论
└── processed/
    └── {keyword}_{timestamp}.xlsx          # Excel 工作簿
        ├── Sheet 1: 搜索结果 (8 列)
        ├── Sheet 2: 笔记详情 (13 列)
        └── Sheet 3: 评论数据 (8 列)

项目结构

mcp_server.py          # MCP 服务入口（支持 stdio / SSE / HTTP）
main.py                # CLI 采集入口
src/
├── session.py         # MCP 会话管理（浏览器生命周期 + 并发锁）
├── errors.py          # 统一错误格式
├── stealth.py         # 反检测配置（指纹生成 + stealth 注入）
├── browser.py         # Playwright 浏览器生命周期管理
├── auth.py            # 登录 & 会话管理
├── search.py          # 搜索结果采集（瀑布流滚动）
├── note.py            # 笔记详情采集（含重试逻辑）
├── comment.py         # 评论采集（Top N）
├── parser.py          # 页面数据解析
└── storage.py         # 数据存储（JSON + Excel/xlsx）
scripts/               # 验证脚本
config/                # YAML 配置
tests/                 # 测试套件

依赖

包	用途
playwright	浏览器自动化 (async API)
playwright-stealth	反检测补丁
browserforge	真实浏览器指纹生成
mcp[cli]	MCP 协议 SDK
uvicorn	ASGI 服务器（SSE/HTTP transport）
starlette	ASGI 框架（SSE/HTTP transport）
pyyaml	YAML 配置加载
openpyxl	Excel 工作簿生成

许可证

MIT

---

English

Xiaohongshu (REDnote) data collection framework + MCP server.

Built on Playwright for real browser automation with dual-layer anti-detection (playwright-stealth + browserforge). Exposes collection capabilities as standard MCP tools for AI assistants (Claude Desktop / Code / Cursor).

Features

• MCP Server: AI assistants can directly search REDnote, collect note details and comments
• Multiple Transports: stdio (local) / SSE (remote) / Streamable HTTP
• Keyword search with infinite scroll auto-loading
• Note detail collection (title, content, engagement metrics, tags, images/videos)
• Comment collection (Top N comments with user info and IP location)
• Dual-layer anti-detection (environment-level + fingerprint-level)
• Persistent login state (auto-saved after QR code scan)
• Output: JSON (raw) + Excel/xlsx (3-sheet structured)
• Production-grade reliability: timeout control, browser crash auto-recovery, login expiry detection

Requirements

• Python 3.10+
• uv package manager

Quick Start

# 1. Clone
git clone <repo-url> && cd rednote-crawler

# 2. Install dependencies
uv sync

# 3. Install browser
uv run playwright install chromium

# 4. First login (QR code scan)
uv run python scripts/verify_login.py

# 5. Run collection
uv run python main.py

MCP Server Usage

Option A: stdio Mode (Recommended, Local Integration)

Add to Claude Desktop config (Mac: ~/Library/Application Support/Claude/claude_desktop_config.json):

{
  "mcpServers": {
    "rednote-crawler": {
      "command": "uv",
      "args": ["run", "--directory", "/path/to/rednote-crawler", "python", "mcp_server.py"],
      "env": {}
    }
  }
}

Option B: SSE Mode (Remote Deployment)

# Start on server
uv run python mcp_server.py --transport sse --host 0.0.0.0 --port 8000

Client config:

{
  "mcpServers": {
    "rednote-crawler": {
      "url": "http://your-server:8000/sse"
    }
  }
}

Option C: Streamable HTTP Mode

uv run python mcp_server.py --transport streamable-http --host 0.0.0.0 --port 8000

MCP Tools

Tool	Description	Latency
check_login_status	Check login status	5-10s
search_notes	Search notes by keyword (max_count 1-50)	30-90s
get_note_detail	Collect note details + comments	15-60s
crawl_keyword	Full pipeline: search → details → comments → save	2-15min
get_saved_data	Query locally saved data files	<1s

CLI Reference

Command	Description
uv run python mcp_server.py	Start MCP server (stdio)
uv run python mcp_server.py --transport sse	Start MCP server (SSE)
uv run python mcp_server.py --transport sse --host 0.0.0.0 --port 9090	SSE with custom host/port
uv run python main.py	Run full collection pipeline
uv run python scripts/verify_login.py	Login via QR code
uv run pytest --cov	Run tests with coverage

Project Structure

mcp_server.py          # MCP server entry (stdio / SSE / HTTP)
main.py                # CLI collection entry
src/
├── session.py         # MCP session (browser lifecycle + concurrency lock)
├── errors.py          # Unified error format
├── stealth.py         # Anti-detection (fingerprint + stealth injection)
├── browser.py         # Playwright browser lifecycle
├── auth.py            # Login & session management
├── search.py          # Search collection (infinite scroll)
├── note.py            # Note detail collection (with retry)
├── comment.py         # Comment collection (Top N)
├── parser.py          # Page data parsing
└── storage.py         # Data storage (JSON + Excel/xlsx)

License

MIT