開源信息採集工具 MediaCrawler：一套命令獲取小紅書、抖音、B站等 7 個平台

大家好，我係 Immerse

專注分享 AI 玩法、獨立開發與AI 出海嘅 AGI 實踐者，更多乾貨歡迎關注公眾號 #沉浸式AI 或訪問 yaolifeng.com

MediaCrawler 將小紅書、抖音、快手、B站、微博、貼吧同知乎嘅公開資訊採集放埋同一個項目入面。佢支援關鍵字搜尋、指定內容、評論同二級評論、創作者主頁等模式，數據可以儲存做 CSV、JSON、JSONL、Excel、SQLite 或 MySQL。

項目基於 Playwright 管理瀏覽器登入狀態，並喺保留登入狀態嘅瀏覽器環境中攞到請求所需嘅參數。跟住落嚟用 uv 同 Chrome CDP 行通一個最小嘅小紅書關鍵詞採集流程，再補充詳情模式、WebUI 同常見問題。

開始之前要保留呢個項目原本嘅界線：所有內容只可以用嚟學習同研究，禁止商業用途、大規模採集、非法使用或者侵犯他人合法權益。

實際操作仲要遵守目標平台規則、適用法律同數據授權範圍。

項目地址：NanmiCoder/MediaCrawler

準備執行環境

項目而家要求 Node.js 16 或以上版本、最新版 Chrome 144 或以上版本，同埋 uv。安裝完成之後，用下面兩條命令檢查環境：

uv --version
node --version

兩條命令都應該輸出版本號。預設嘅 CDP 模式會連接電腦上已經有嘅 Chrome，唔使額外安裝 Playwright 瀏覽器驅動。

喺 Chrome 網址欄打開 chrome://inspect/#remote-debugging，勾選 Allow remote debugging for this browser instance。頁面出現下面呢行內容，就代表遠端除錯已經準備好：

Server running at: 127.0.0.1:9222

執行採集程式之後，Chrome 可能會彈出確認對話框，需要喺 60 秒內撳接受。

冇睇到 127.0.0.1:9222 嘅時候，唔好急住執行主程式，先將遠端除錯狀態處理好。

安裝項目依賴

將倉庫下載到本地之後，喺終端機執行：

git clone https://github.com/NanmiCoder/MediaCrawler.git
cd MediaCrawler
uv sync

uv sync 會按照項目配置同步 Python 版本同依賴。命令正常結束、冇依賴解析錯誤，就可以進入配置步驟。

如果想改用標準 Playwright 模式，可以喺 config/base_config.py 入面設定：

ENABLE_CDP_MODE = False

呢種模式仲要安裝瀏覽器驅動：

uv run playwright install

行通關鍵詞採集

打開 config/base_config.py，跟住按照檔案入面嘅中文註釋設定關鍵詞、數據儲存方式同採集範圍。建議只填少量、有明確授權嘅測試內容，唔好一開始就擴大數量。

儲存配置之後執行：

uv run main.py --platform xhs --lt qrcode --type search

xhs 代表小紅書，qrcode 代表二維碼登入，search 代表由配置文件讀取關鍵詞並採集匹配嘅內容。程式顯示二維碼之後，用相應 App 掃碼完成登入。

登入成功之後，終端會繼續輸出執行日誌。確認冇登入或者依賴錯誤，而且喺配置嘅數據儲存目標中睇到內容同評論記錄，先至算最小流程行通；淨係睇到程式啟動唔算完成驗證。

改成指定內容採集

如果已經有明確嘅帖子 ID，喺 config/base_config.py 填寫相應列表，將命令尾段改為 detail：

uv run main.py --platform xhs --lt qrcode --type detail

項目預設冇開啟評論採集。如果確實需要評論而且具備合法授權，就將配置項改為：

ENABLE_GET_COMMENTS = True

其他平台嘅參數以程式說明為準：

uv run main.py --help

唔好照搬小紅書參數去估其他平台。要先由程式說明確認平台標識、登入方式同採集類型，再進行小範圍驗證。

用 WebUI 嚟管理參數

唔想成日改配置文件，可以同時啟動 API 同前端開發伺服器：

# 終端 1
uv run uvicorn api.main:app --port 8080 --reload

# 終端 2
cd webui
npm install
npm run dev

用瀏覽器訪問 http://localhost:5173/，可以可視化設定平台、登入方式同採集類型，仲可以睇執行狀態、日誌、資料預覽同匯出。

頁面第一次開啟會調用 /api/env/check 偵測環境。偵測失敗時，先確認 8080 連接埠嘅 API 服務正在運行；「跳過偵測」只可以臨時進入介面，並唔可以修復缺失嘅後端或者依賴。

想令 API 服務直接提供 WebUI 靜態資源，就需要構建前端：

cd webui
npm install
npm run build
cd ..
uv run uvicorn api.main:app --port 8080 --reload

構建成果會寫入 api/webui/，服務啟動之後訪問 http://localhost:8080。

幾個容易卡住嘅地方

CDP 模式連接失敗時，檢查 Chrome 版本、遠端除錯開關同 127.0.0.1:9222，都要留意執行之後出現嘅確認對話框。

標準 Playwright 模式報瀏覽器缺失時，執行 uv run playwright install。呢條命令喺預設 CDP 模式下唔係必需步驟。

原生 venv 方案依賴 Python 同 requirements.txt 嘅兼容性，項目使用 Python 3.11，並明確標示該方案為不推薦。冇特殊原因時，優先使用 uv sync。

採集結果係空嘅時候，就按登入狀態、關鍵詞或 ID 配置、平台參數、評論開關同儲存方式逐項檢查。任何模式都應該先用少量授權數據驗證，確認輸出結構符合預期，再決定係咪繼續。

大家好，我是 Immerse

專注分享 AI 玩法、獨立開發與AI 出海的 AGI 實踐者，更多幹貨歡迎關注公眾號 #沉浸式AI 或訪問 yaolifeng.com

MediaCrawler 把小紅書、抖音、快手、B 站、微博、貼吧和知乎的公開信息採集放進了同一個項目。它支持關鍵詞搜索、指定內容、評論與二級評論、創作者主頁等模式，數據可以保存為 CSV、JSON、JSONL、Excel、SQLite 或 MySQL。

項目基於 Playwright 管理瀏覽器登錄態，並在保留登錄狀態的瀏覽器環境中獲取請求需要的參數。下面用 uv 和 Chrome CDP 跑通一個最小的小紅書關鍵詞采集流程，再補充詳情模式、WebUI 和常見問題。

開始前要保留項目原本的邊界：所有內容只用於學習和研究，禁止商業用途、大規模採集、非法使用或侵犯他人合法權益。

實際操作還要遵守目標平台規則、適用法律和數據授權範圍。

項目地址：NanmiCoder/MediaCrawler

準備運行環境

素材當前給出的要求是 Node.js 16 或更高版本、最新版 Chrome 144 或更高版本，以及 uv。安裝完成後，用下面兩條命令檢查環境：

uv --version
node --version

兩條命令都應該輸出版本號。默認的 CDP 模式會連接電腦上已有的 Chrome，不需要額外安裝 Playwright 瀏覽器驅動。

在 Chrome 地址欄打開 chrome://inspect/#remote-debugging，勾選 Allow remote debugging for this browser instance。頁面出現下面這行內容，說明遠程調試已經就緒：

Server running at: 127.0.0.1:9222

運行採集程序後，Chrome 可能彈出確認對話框，需要在 60 秒內點擊接受。

沒有看到 127.0.0.1:9222 時，不要急着運行主程序，先把遠程調試狀態處理好。

安裝項目依賴

把倉庫下載到本地後，在終端執行：

git clone https://github.com/NanmiCoder/MediaCrawler.git
cd MediaCrawler
uv sync

uv sync 會按照項目配置同步 Python 版本與依賴。命令正常結束、沒有依賴解析錯誤，就可以進入配置步驟。

想改用標準 Playwright 模式，可以在 config/base_config.py 中設置：

ENABLE_CDP_MODE = False

這種模式還要安裝瀏覽器驅動：

uv run playwright install

跑通關鍵詞采集

打開 config/base_config.py，按照文件裏的中文註釋設置關鍵詞、數據保存方式和採集範圍。建議只填少量、明確授權的測試內容，不要一開始就擴大數量。

保存配置後執行：

uv run main.py --platform xhs --lt qrcode --type search

xhs 表示小紅書，qrcode 表示二維碼登錄，search 表示從配置文件讀取關鍵詞並採集匹配內容。程序顯示二維碼後，用對應 App 掃碼完成登錄。

登錄成功後，終端會繼續輸出運行日誌。確認沒有登錄或依賴錯誤，並在配置的數據保存目標中看到內容與評論記錄，才算最小流程跑通；只看到程序啓動不算完成驗證。

改成指定內容採集

已經有明確的帖子 ID 時，在 config/base_config.py 填寫對應列表，把命令末尾改為 detail：

uv run main.py --platform xhs --lt qrcode --type detail

項目默認沒有開啓評論採集。確實需要評論並且具備合法授權時，把配置項改為：

ENABLE_GET_COMMENTS = True

其他平台的參數以程序幫助為準：

uv run main.py --help

不要照搬小紅書參數去猜其他平台。先從幫助信息確認平台標識、登錄方式和採集類型，再做小範圍驗證。

用 WebUI 管理參數

不想一直改配置文件，可以同時啓動 API 和前端開發服務器：

# 終端 1
uv run uvicorn api.main:app --port 8080 --reload

# 終端 2
cd webui
npm install
npm run dev

瀏覽器訪問 http://localhost:5173/，可以可視化設置平台、登錄方式和採集類型，並查看運行狀態、日誌、數據預覽與導出。

頁面首次打開會調用 /api/env/check 檢測環境。檢測失敗時，先確認 8080 端口的 API 服務正在運行；“跳過檢測”只能臨時進入界面，不能修復缺失的後端或依賴。

想讓 API 服務直接提供 WebUI 靜態資源，需要構建前端：

cd webui
npm install
npm run build
cd ..
uv run uvicorn api.main:app --port 8080 --reload

構建產物會寫入 api/webui/，服務啓動後訪問 http://localhost:8080。

幾個容易卡住的地方

CDP 模式連接失敗時，檢查 Chrome 版本、遠程調試開關和 127.0.0.1:9222，也要留意運行後出現的確認對話框。

標準 Playwright 模式報瀏覽器缺失時，執行 uv run playwright install。這條命令在默認 CDP 模式下不是必需步驟。

原生 venv 方案依賴 Python 與 requirements.txt 的兼容性，素材使用 Python 3.11，並明確把該方案標為不推薦。沒有特殊原因時，優先使用 uv sync。

採集結果為空時，按登錄狀態、關鍵詞或 ID 配置、平台參數、評論開關和保存方式逐項檢查。任何模式都應先用少量授權數據驗證，確認輸出結構符合預期，再決定是否繼續。