摘要：MediaCrawler 是一个支持小红书、抖音、B站等 7 大平台的开源数据采集工具，GitHub 53K Star。核心亮点是无需 JS 逆向——基于 Playwright 浏览器自动化，直接复用登录态获取签名参数，大幅降低技术门槛。本文从原理到实操，帮你 10 分钟跑起来第一个爬虫。
上周一个在品牌部做竞品监测的朋友发来消息，问有没有办法定期抓小红书的评论数据，最好门槛低一点——他会 Python，但没做过爬虫。
我给他发了一个 GitHub 链接：MediaCrawler。
他研究了一天，回来说："这个东西太香了，小红书、抖音、B站，一个工具全搞定，而且根本不用逆向加密算法。"
今天就来聊聊这个项目。
为什么 53K Star 不是虚的
GitHub 上爬虫项目多如牛毛，能做到 53,000+ Star 的寥寥无几。MediaCrawler 凭什么做到了？
覆盖面是真的广。7 个主流平台全支持：
小红书：笔记搜索、评论采集、创作者主页
抖音：视频搜索、评论、创作者主页
快手、B站、微博、百度贴吧、知乎：同样全覆盖
不是"支持"了一半功能就算数的那种。关键词搜索、指定帖子 ID 爬取、二级评论、创作者主页爬取……每个平台的功能矩阵都是满的。
更重要的是：它真正做到了低门槛。
这才是 53K Star 背后的真正原因。
无需 JS 逆向，这到底意味着什么
做过爬虫的人都知道，抖音、小红书这类平台，最难啃的地方不是数据结构，而是请求签名。每次接口请求都带着复杂的加密参数（比如X-Sign、X-Bogus），这些参数通过 JS 混淆算法生成，破解起来要花大量时间，而且平台一旦更新加密逻辑，之前的工作就废了。
传统路子：花几天逆向分析 JS，写出签名生成函数，再用 Python 模拟请求。
MediaCrawler 完全不走这条路：基于 Playwright 浏览器自动化框架，直接在真实浏览器上下文里执行 JS 表达式，签名参数由浏览器本身生成。
你不需要理解签名算法，因为根本不用破解它。浏览器已经帮你算好了。
这个思路有几个实际好处：
不随平台加密更新而失效
零逆向工作量
后续维护成本极低
一句话：把难搞的部分交给浏览器，你只管拿数据。
快速上手：10 分钟跑起来第一个爬虫
环境准备
需要：Python 3.10+、Node.js 16+、Chrome 浏览器（版本 ≥ 144）。
第一步：克隆项目，安装依赖
推荐用uv（目前最快的 Python 包管理工具）：
gitclonehttps://github.com/NanmiCoder/MediaCrawler.gitcdMediaCrawler uv sync第二步：开启 Chrome 远程调试
在 Chrome 地址栏输入：
chrome://inspect/#remote-debugging勾选 **"Allow remote debugging for this browser instance"**，看到页面显示Server running at: 127.0.0.1:9222就表示就绪了。
这步是为了让 MediaCrawler 通过 CDP 模式连接你的 Chrome（下文会细说为什么这样做）。
第三步：跑第一个爬虫
# 扫码登录，搜索关键词内容（以小红书为例）uv run main.py --platform xhs --lt qrcode --typesearch程序会弹出二维码，用手机扫码登录，然后按配置文件里的关键词开始爬取。
其他平台用法：
# 抖音uv run main.py --platform dy --lt qrcode --typesearch# B站（支持 Cookie 登录）uv run main.py --platform bili --lt cookie --typesearch# 查看所有参数说明uv run main.py --help核心配置项
打开config/base_config.py，几个最常用的配置：
PLATFORM ="xhs"# 平台：xhs / dy / bili / ks / wb / tieba / zhihuCRAWLER_TYPE ="search"# 模式：search搜索 / detail指定ID / creator创作者主页KEYWORDS ="Python爬虫"# 搜索关键词，逗号分隔多个ENABLE_GET_COMMENTS =True# 是否采集评论CRAWLER_MAX_NOTES_COUNT =50# 最多爬取帖子数量改完配置，重新运行命令即可。第一次跑，建议先改个感兴趣的关键词，看看效果再调整参数。
CDP 模式：这个设计真的聪明
MediaCrawler 默认用 CDP（Chrome DevTools Protocol）模式，连接你本地已有的 Chrome，而不是另起一个无头浏览器。
为什么这样更好？
你在 Chrome 里已经登录了各个平台，MediaCrawler 可以直接复用这些登录状态、Cookie、甚至浏览器扩展。对平台来说，这和你正常用浏览器上网几乎没区别，被风控识别的概率大幅下降。
传统无头浏览器（Headless Chrome）的特征很明显，平台很容易检测出来。CDP 模式规避了这个问题。
如果需要在服务器上部署，也可以切换为标准 Playwright 模式：
# config/base_config.pyENABLE_CDP_MODE =False# 切换为标准 Playwright 模式然后安装浏览器驱动：
uv run playwright install数据怎么存，你说了算
MediaCrawler 支持多种存储方式，在配置文件里切换即可：
存储类型 | 适用场景 |
|---|---|
CSV / Excel | 快速导入 Excel 分析，给不懂技术的同事用 |
JSON / JSONL | 程序做二次处理，接后续分析管道 |
SQLite | 本地轻量存储，不需要额外装数据库 |
MySQL / MongoDB | 生产环境、团队共享数据 |
个人项目用 SQLite 基本够了，不需要额外搭服务。如果是团队共用或需要长期存储，上 MySQL 或 MongoDB。
还有个 WebUI，不用命令行也能用
不习惯命令行的话，可以跑内置的 WebUI：
uv run uvicorn api.main:app --port 8080 --reload浏览器打开http://localhost:8080，可视化配置爬取参数、实时查看运行日志、预览采集结果。对非技术背景的运营同事来说友好很多。
实际能拿来做什么
几个真实落地场景：
舆情监控：设置关键词定时抓小红书、微博上的讨论，自动生成词云图，快速发现负面舆情集中在哪个话题。
竞品分析：抓竞品账号的所有内容，统计发布频率、分析高互动帖子类型，找出自己账号的差异化空间。
用户研究：围绕目标产品批量采集评论，跑情感分析或关键词聚类，了解用户真实痛点，替代费时费力的人工筛选。
选题决策：搜索目标领域的热门关键词，看最近什么内容在涨，帮内容团队做选题参考，有数据支撑比拍脑袋靠谱。
Pro 版本额外有什么
开源版已经够用，但 Pro 版本（付费订阅）有几个值得关注的功能：
断点续爬：爬到一半断掉不用从头来，大量数据场景必备
多账号支持：分散请求频率，降低单账号限速风险
去除 Playwright 依赖：部署更简单，Linux 服务器直接跑
自媒体内容拆解 Agent：AI 自动分析采集内容
AI Agent Skill 支持：可通过 Claude Code / Cursor 一键调用，让 Agent 自动爬取数据
个人学习或小规模使用，开源版完全足够。需要生产级可靠性的场景，再考虑 Pro。
关于合规，这句话必须说
MediaCrawler 项目明确标注：仅供学习和技术研究使用，禁止商业用途。
用爬虫采集数据，法律边界这几年越来越清晰。几个基本原则：只抓公开可见的数据，不抓平台明确禁止的接口，不做大规模商业变现。合理使用，安全使用。
写在最后
MediaCrawler 的价值不在于功能多，而在于把门槛真的降下来了。不用逆向，不用研究加密算法，配置好关键词，一行命令跑起来，数据就出来了。
对做数据分析、品牌监测、学术研究的人来说，这个工具值得放进工具箱。
53K Star 不是虚的。
GitHub：https://github.com/NanmiCoder/MediaCrawler
作者 B 站主页：https://space.bilibili.com/434377496（分享爬虫技术和 AI 内容，感兴趣可以关注）
如果你用 MediaCrawler 做过有意思的项目，评论区聊聊你的场景——你最想抓哪个平台的数据？
我们下期再见！
PS：本文部分内容由AI辅助创作
