一个功能完整的小红书（Xiaohongshu）笔记内容提取工具，支持自动登录、内容提取、OCR识别和批量下载。提供命令行工具和Web界面两种使用方式。
✨ 核心优势：可以直接通过小红书的分享链接完成笔记提取，支持复制分享文本或直接输入URL链接，一站式完成从链接到内容提取的全部工作，无需手动操作。
- 🔐 自动登录管理：使用 Playwright 实现网页登录，登录态持久化保存，一次登录长期使用
- 📝 内容提取：自动提取笔记标题、正文、图片URL等完整信息
- 🔤 OCR文字识别：可选的对图片进行OCR识别，提取图片中的文字内容（适合简单场景，高级需求建议导出后使用多模态LLM）
- 💾 批量下载：支持下载笔记正文（Markdown格式）和图片到本地
- 🌐 Web界面：提供友好的图形化界面，操作简单直观
- 🖥️ 命令行工具：提供CLI工具，支持脚本化和自动化
- 知识管理：将小红书笔记整理为本地Markdown文件，便于管理和搜索
- 内容备份：批量下载和保存喜欢的笔记内容
- 学习笔记：提取面试题、学习资料等，方便后续复习
- 内容分析：提取笔记内容用于数据分析、文本处理等
- 自动化处理：通过CLI工具集成到自动化工作流中
- Python 3.8+
- 已登录的小红书账号
- 获取项目文件
方式1：使用Git（推荐，适合有Git经验的用户）
git clone https://github.com/yourusername/xhs-extractor.git
cd xhs-extractor方式2：直接下载（适合非计算机行业从业者）
-
访问项目GitHub页面：
https://github.com/yourusername/xhs-extractor -
点击页面右上角的绿色 "Code" 按钮
-
选择 "Download ZIP" 下载压缩包
-
解压下载的ZIP文件到本地目录（如：
~/Downloads/xhs-extractor） -
进入解压后的文件夹
-
一键启动（推荐，最简单）
macOS / Linux 用户：
- 双击运行
一键启动_mac.sh文件 - 或在终端中执行：
./一键启动_mac.sh
Windows 用户：
- 双击运行
一键启动_win.bat文件
🎉 一键启动脚本会自动完成所有步骤：
- ✅ 自动检查并安装依赖（如果需要）
- ✅ 自动检查登录状态，未登录时引导登录
- ✅ 自动启动Web界面
首次使用：脚本会自动安装依赖并引导登录，之后直接启动即可。
重要提示：使用前请先根据指引进行本地小红书登录，拿到cookie信息后会自动保存，后续输入链接不需要再进行登录。登录态保存在
xhs_extractor_module/xhs_state.json文件中，请妥善保管。
如果你更喜欢手动控制每个步骤，可以按照以下方式操作：
1. 安装依赖
pip install playwright requests beautifulsoup4 streamlit
playwright install chromium2. 首次登录（只需一次）
python -m xhs_extractor_module.xhs_login这会打开浏览器，完成登录后按回车即可。登录态会自动保存到 xhs_extractor_module/xhs_state.json。
3. 启动Web界面
streamlit run xhs_extractor_module/web_app.py或者使用命令行工具：
python -m xhs_extractor_module.cli一键启动（推荐）：
- macOS/Linux: 双击运行
一键启动_mac.sh - Windows: 双击运行
一键启动_win.bat
💡 提示：一键启动脚本会自动完成依赖检查、登录检查和启动，无需其他操作。
浏览器会自动打开，你可以：
- 输入方式：
- 可以直接复制小红书官方的分享链接文本格式（如："算法面经... http://xhslink.com/o/ABC123 复制后打开【小红书】查看笔记！"）
- 也可以直接复制小红书笔记的URL链接（如：
https://www.xiaohongshu.com/explore/...或http://xhslink.com/...） - 工具会自动识别输入格式并提取
- 选择是否OCR识别、下载图片、下载正文
- 一键提取和保存
# 交互式模式
python -m xhs_extractor_module.cli
# 直接提取（支持两种输入方式）
# 方式1：复制小红书分享文本
python -m xhs_extractor_module.cli "算法面经... http://xhslink.com/o/ABC123 复制后打开【小红书】查看笔记！"
# 方式2：直接输入URL链接
python -m xhs_extractor_module.cli --url "http://xhslink.com/o/ABC123"
# 或
python -m xhs_extractor_module.cli --url "https://www.xiaohongshu.com/explore/..."
# 启用OCR
python -m xhs_extractor_module.cli --ocr "分享文本..."
# 保存到文件
python -m xhs_extractor_module.cli --output result.txt "分享文本..."💡 提示：可以直接复制小红书官方的分享链接文本格式，也可以直接复制小红书笔记的URL链接，工具会自动识别并提取。
from xhs_extractor_module.xhs_fetch import fetch_note_from_share_text, fetch_note_from_url
# 方式1：使用分享文本提取
share_text = "算法面经... http://xhslink.com/o/ABC123 复制后打开【小红书】查看笔记！"
note = fetch_note_from_share_text(share_text)
# 方式2：直接使用URL提取
note = fetch_note_from_url("http://xhslink.com/o/ABC123")
# 或
note = fetch_note_from_url("https://www.xiaohongshu.com/explore/...")
print(f"标题: {note.title}")
print(f"正文: {note.text}")
print(f"图片: {len(note.images)} 张")💡 提示：支持两种输入方式：
- 复制小红书官方的分享链接文本格式（包含完整分享文案）
- 直接使用小红书笔记的URL链接（完整链接或短链接均可）
启动Web应用后，你可以：
-
输入链接：
- 可以直接复制小红书官方的分享链接文本格式（如："算法面经... http://xhslink.com/o/ABC123 复制后打开【小红书】查看笔记！"）
- 也可以直接复制小红书笔记的URL链接（如：
https://www.xiaohongshu.com/explore/...或http://xhslink.com/...） - 工具会自动识别输入格式并提取
-
选择功能：
- ✅ OCR识别图片文字
- ✅ 下载图片到本地
- ✅ 下载笔记正文（Markdown格式）
-
设置保存位置：自定义保存目录
-
一键提取：自动提取并保存
保存目录/
└── 笔记标题/
├── 笔记标题.md # Markdown格式的笔记正文
├── image_001.jpg # 图片1
├── image_002.jpg # 图片2
└── ...
保存的Markdown文件包含：
- 笔记标题和链接
- 正文内容
- OCR识别的文字（如果启用）
- 图片引用
💡 提示：导出的Markdown文件可以直接发送给GPT-4V、Claude等多模态LLM模型进行更深入的分析和理解，效果比OCR更好。
xhs-extractor/
├── xhs_extractor_module/ # 核心模块
│ ├── xhs_share.py # 分享文本解析
│ ├── xhs_login.py # 登录管理
│ ├── xhs_fetch.py # 内容抓取
│ ├── xhs_parser.py # HTML解析（备用方案）
│ ├── ocr.py # OCR识别
│ ├── models.py # 数据模型
│ ├── cli.py # 命令行工具
│ ├── web_app.py # Web应用
│ └── ...
├── README.md # 项目说明（本文件）
├── requirements.txt # 依赖列表
└── .gitignore # Git忽略文件
OCR功能（可选）：
pip install paddleocr paddlepaddle关于OCR功能的说明：
- OCR图片识别功能仅适用于图片以文字为主，需要快速拿到笔记图片里某些文字信息的场景
- OCR功能识别较慢且效果没有能多模态的大模型能力好
- 有高级笔记需求还是建议一键将图片和正文导出成markdown文件，拿着文件去问GPT等多模态LLM模型
- 这样可以获得更好的文字识别效果和更丰富的分析能力
Web界面（可选）：
pip install streamlit- 登录态保存在
xhs_extractor_module/xhs_state.json - 登录态过期后，重新运行登录脚本即可
- 合法使用：本工具仅供个人学习和研究使用，请遵守相关法律法规和网站服务条款
- 登录态安全：
xhs_state.json包含登录信息，请妥善保管，不要分享给他人 - 使用频率：请合理使用，避免频繁请求，尊重网站服务器
- 数据隐私：提取的内容请妥善保管，注意隐私保护
A: 运行 python -m xhs_extractor_module.xhs_login 进行首次登录。登录后cookie信息会自动保存，后续使用不需要再次登录。
A: 安装OCR依赖：pip install paddleocr paddlepaddle
A: OCR功能适合快速提取图片中的简单文字信息。如果需要更准确的识别效果，建议：
- 使用工具的下载功能，将笔记正文和图片导出为Markdown文件
- 将Markdown文件（包含图片）发送给GPT-4V、Claude等多模态LLM模型
- 多模态模型对图片的理解和文字识别能力更强，可以获得更好的效果
A:
- 检查登录态是否过期（重新登录）
- 确认分享文本中包含有效链接
- 检查网络连接
A:
- 确认已安装streamlit：
pip install streamlit - 确保从项目根目录运行：
streamlit run xhs_extractor_module/web_app.py
欢迎提交 Issue 和 Pull Request！
本项目仅供学习和研究使用。请遵守相关法律法规和网站服务条款。
- Playwright - 浏览器自动化
- PaddleOCR - OCR识别
- Streamlit - Web界面框架
- ✅ 实现Playwright自动登录和登录态管理
- ✅ 实现笔记内容提取（标题、正文、图片）
- ✅ 实现OCR图片文字识别
- ✅ 实现命令行工具（CLI）
- ✅ 实现Web图形界面
- ✅ 实现批量下载功能
- ✅ 支持Markdown格式保存
⭐ 如果这个项目对你有帮助，欢迎给个Star！