影刀RPA新手教程：自媒体博主工具箱完全指南——选题采集、数据分析与多平台发布自动化

影刀RPA新手教程：自媒体博主工具箱完全指南——选题采集、数据分析与多平台发布自动化

我做自媒体第三个月，每天花在找选题上的时间比写文章还长。

刷小红书、刷抖音、刷公众号，把看到的好选题手动记到Excel里。每天这一套操作下来，两个小时没了。

后来我用影刀RPA做了一个选题采集器，每天自动跑一次，把三个平台的热门内容抓回来，自动写入飞书多维表格。现在每天省两个小时，一个月就是60个小时。

这篇文章围绕"多平台选题采集与数据分析"这个真实案例展开，全部是我自己跑通的流程。

一、安装与准备：博主的第一套自动化工具

影刀RPA社区版免费下载，安装过程不赘述了。关键是你要明确自己的需求是什么——你要采集哪个平台、采集什么数据、用来做什么。

我建议博主们在安装完影刀之后，先做一件事：把你要采集的平台的网页版在浏览器里登录好。Cookie有了，后面的采集流程就不需要反复处理了。

浏览器插件安装完之后，在扩展管理里确认影刀插件是启用状态。我第一次装完以为自动启用了，结果捕获元素的时候怎么都抓不到，排查了很久。

界面布局：指令面板在左侧，流程画布在中间，属性面板在右侧。做选题采集的话，你最常用的是"网页自动化"和"数据处理"这两个大类的指令。

二、元素定位四合一：采集博主数据的核心技术

选题采集的本质就是：打开目标页面 → 定位到每条内容的元素 → 提取数据 → 翻页继续。

元素定位不准，后面全白搭。

元素捕获是最快的，但动态页面经常失效。小红书的页面是动态渲染的，捕获到的XPath经常过几分钟就失效了。

XPath是我采集时的主力工具。小红书笔记的XPath写法：

//div[@class='note-item'] ← 笔记卡片容器 //div[@class='title']/text() ← 提取笔记标题 //span[@class='like-count']/text() ← 提取点赞数 //a[contains(@href,'/explore/')] ← 笔记链接 //div[contains(@class,'feed-item')] ← 动态class的匹配写法 //span[text()='点赞']/following-sibling::span ← 取"点赞"后面的数字

CSS选择器在小红书和抖音的页面上表现更稳定：

.div.note-item ← 笔记卡片 .div.title ← 标题 .span.like-count ← 点赞数 a[href*='/explore/'] ← 包含/explore/的链接

正则表达式用在提取数字场景，比如点赞数"1.2万"要转成数字：

(\d+\.?\d*)(万|w|W) ← 匹配"1.2万"格式，要转成12000 (\d+) ← 纯数字点赞数 ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/83993b9e1d884f429e2aa2a2d2c42862.png#pic_center)

我当时踩过的坑：小红书的点赞数有时候显示"1.2万"，有时候显示"12345"，还有时候显示"点赞"。要用正则先判断格式，再决定怎么处理。

三、变量与数据类型：管理你的选题数据库

选题数据要存起来，还要做去重，变量和数据类型是基础。

字符串用来存标题、链接、作者名字。数字用来存点赞数、评论数、收藏数。

# 单条选题数据title="影刀RPA入门教程"likes=1234link="https://www.xiaohongshu.com/explore/xxx"

列表用来存一批选题。我每次采集到一页20条笔记，先存在列表里，统一写入Excel。

字典用来存单条笔记的完整信息，结构化清晰：

note={"title":"影刀RPA入门教程","author":"林焱","likes":1234,"link":"https://xxx","collect_time":"2024-03-15"}

JSON处理在调用平台API的时候用到。有些数据通过网页抓取拿不到（比如账号的粉丝数），可以调第三方数据平台的API，返回的是JSON格式。

importjson resp='{"code":0,"data":{"fans":12345}}'data=json.loads(resp)![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/bf371fa7d45f463188435d1a491bb277.png#pic_center)fans=data["data"]["fans"]

我当时踩过的坑：点赞数"1.2万"存到Excel里变成了日期（Excel自动把"1.2万"识别成了"1月2日"）。解决方法是在写入Excel之前，把所有数字字段转成字符串，前面加一个单引号强制当作文本。

四、流程控制：让采集流程会"思考"

选题采集不是简单的重复操作，中间有很多判断逻辑。

If条件判断用来做去重：这条笔记我已经采集过了吗？采集过了就跳过，没采集过才入库。

ifnote_linknotincollected_links:save_to_excel(note)else:print("已存在，跳过")

循环是最核心的。采集20条笔记用ForEach循环，翻页采集用While循环。

While循环判断"下一页"按钮是否存在，存在就点，不存在就停止。这是我用得最多的翻页逻辑。

# While循环实现翻页采集has_next_page=Truewhilehas_next_page:collect_current_page()# 采集当前页has_next_page=check_next_page()# 检查是否有下一页ifhas_next_page:click_next_page()# 点击下一页wait(3)# 等待页面加载

相似元素循环用来处理笔记列表。页面上20条笔记，用相似元素循环自动逐个处理，不用手写20次。

Try-Catch在所有数据采集步骤外面都要包一层。网络卡了、页面结构变了、弹窗出来了——这些意外情况都要能处理，不能让整个采集流程中断。

我当时没加Try-Catch，跑了一个小时的采集流程，中间遇到一个弹窗，整个流程停了。后来数据只采了一半，还要重新跑。

五、网页自动化：多平台采集的核心技巧

网页自动化在选题采集里占90%的工作量。每个平台有不同的坑，我一个个说。

等待策略：小红书和抖音都是动态页面，必须用"元素出现再继续"，不能用固定等待。固定等待在网速慢的时候会出问题。

弹窗处理：小红书登录的时候会弹二维码弹窗，抖音会弹"是否允许通知"的弹窗。5步标准流程之前文章写过，不再重复。

翻页处理：小红书的"下一页"按钮在滚动到页面底部才会出现，所以翻页之前要先滚动到页面底部。

# 滚动到底部，触发"下一页"按钮出现scroll_to_bottom()wait_element_appear("下一页按钮",timeout=10)click("下一页按钮")

懒加载处理：小红书首页的笔记列表是滚动加载的，滚动一次加载一批。处理方案：记录当前笔记数量 → 滚动 → 再统计数量 → 数量不变就说明加载完了。

iframe处理：抖音的登录框有时候在iframe里，要先切换进去才能操作。

窗口切换：有些平台点击笔记会打开新标签页，要用"切换到指定窗口"切换到新标签页，采集完再切回来。

六、数据处理：把采集到的选题变成有价值的信息

采集到原始数据之后，要做清洗和分析，才能真正用起来。

Excel读写：我每天把采集到的选题写入同一个Excel文件，用追加模式（不覆盖之前的）。晚上分析的时候直接打开Excel看。

# 用Python处理采集到的选题数据importpandasaspd df=pd.read_excel("选题库.xls")# 按点赞数排序，找热门选题hot_notes=df.sort_values("点赞数",ascending=False).head(20)# 按关键词筛选rpa_notes=df[df["标题"].str.contains("RPA|影刀|自动化")]

文本提取与清洗：笔记标题里经常有特殊字符（emoji、换行符、引号），写入Excel之前要清洗掉，不然会报错。

importre title="影刀RPA真的太好用了！🔥"# 去掉emoji和特殊字符clean_title=re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9\s]','',title)

JSON解析：有些平台的分享数据是用JSON格式存的，要解析后提取。

数据库连接：我的选题库存在MySQL里，方便按关键词、按时间、按点赞数范围查询。

七、鼠标键盘图像自动化：处理非标准场景

有些操作网页自动化完成不了，要用鼠标键盘模拟。

模拟模式和驱动模式：做选题采集一般用模拟模式就行，速度快。但如果目标平台有反爬检测，要用驱动模式，更像真人操作。

图像识别用在什么场景？有些平台的点赞数不是文字，是一张图片（很少见，但确实存在），要用OCR识别图片里的数字。

# 图像识别点击"加载更多"按钮# 有些平台的"加载更多"是Canvas绘制的，抓取不到# 用图像识别点击wait_image_appear("load_more.png")click_image("load_more.png")

锚点9位置+偏移：点击的位置不对，可以用偏移调整。比如"关注"按钮，图片识别默认识别整个按钮的中心，但有些按钮点中心没反应，需要偏移几个像素。

八、进阶技能：让选题分析更智能

HTTP请求对接第三方数据平台API。新榜、飞瓜数据、蝉妈妈这些平台都有API，可以直接拿到账号数据、热门内容数据，比网页抓取稳定。

importrequests url="https://api.xxx.com/hot_list"params={"platform":"xiaohongshu","category":"科技"}headers={"Authorization":"Bearer xxxxx"}resp=requests.get(url,params=params,headers=headers)hot_list=resp.json()["data"]["list"]

Python协同做情感分析：采集到评论数据之后，用snownlp做情感分析，判断用户对某个话题的态度是正面还是负面。

fromsnownlpimportSnowNLP comment="这个工具真的太好用了"s=SnowNLP(comment)print(s.sentiments)# >0.6是正面，<0.4是负面

OCR文字识别用来处理笔记封面图里的文字。有些博主把核心信息写在封面图上，要用OCR识别出来。

ADB手机自动化：有些平台（小红书、抖音）在手机端的反爬比网页端松，可以用ADB控制手机做自动化。

九、平台实战：小红书抖音公众号三平台联动

小红书采集的要点：登录态保持（Cookie）、点赞数格式转换（"1.2万"转成数字）、图片封面采集（存图片链接）。

抖音采集的要点：抖音的页面是异步加载的，等待时间要设长一点（我一般设5-8秒）。视频播放量在页面源码里不一定有，要用正则从JS变量里提取。

公众号采集的要点：搜狗微信搜索（weixin.sogou.com）可以采集公众号文章。但微信的反爬很严，建议用Cookie保持登录态，并且控制访问频率。

三平台数据汇总：每个平台采集完，统一写入同一个Excel文件，字段对齐（标题、链接、点赞数、平台、采集时间）。

十、系统联动：让选题数据自动通知到你

飞书消息通知：每天采集完选题之后，自动发一条飞书消息：“今日采集选题XX条，热门选题：XXX”。

飞书多维表格：选题库存在飞书多维表格里，随时随地用手机查看。我每天早上在地铁上刷一遍昨天的选题库，挑几个值得写的。

邮件发送：把每周的热门选题汇总成报告，发邮件给自己或者团队。

定时任务：每天凌晨2点自动跑采集流程（这个时候平台流量低，反爬也松一些）。跑完自动发飞书通知。

十一、工程化与规范：博主的技术债管理

子流程封装：我把每个平台的采集流程封装成了独立的子流程（小红书采集子流程、抖音采集子流程、公众号采集子流程）。主流程按顺序调用三个子流程。

调试技巧：选题采集流程比较复杂，我会在每个平台采集完成之后加一个"打印日志"，输出"小红书采集完成，共XX条"。出问题的时候一看日志就知道是哪个平台出了问题。

命名规范：变量名要有意义。platform_name比a好，note_count比b好，target_url比url1好。

版本选择：社区版够用。如果要做私有化部署（比如团队共用一套采集流程），可以考虑创业版。

流程模板化：采集流程的框架是通用的（打开网页→登录→采集→翻页→保存），不同平台只是元素定位不同。我把通用框架做成模板，新平台来了改改XPath就能用。

十二、速查表与常见报错：博主常见问题

元素定位失败：小红书的class是动态生成的，每次刷新都变。解决方法是用contains()模糊匹配，或者用文字定位。

XPath语法报错：属性值里有空格或者特殊字符，要用引号包起来。如果属性值里有引号，要用单引号包双层。

Excel报错：写入数据之前要做去重，不然同一个选题会被写入多次。去重用字典的键唯一性，或者用pandas的drop_duplicates。

循环报错：相似元素循环在页面刷新之后找不到元素。解决方法是在循环体里加等待时间，并且用Try-Catch包住每个循环体。

弹窗拦截：小红书和抖音经常弹登录弹窗、广告弹窗。要在每个关键步骤后面加弹窗检测。

IP封禁：采集频率太高会被封IP。解决方案是加随机等待时间（2-5秒），并且用代理IP池。

反爬升级：平台改版之后XPath失效。我的方案是每次运行流程之前，先手动打开目标页面，用检查元素确认XPath是否还有效。

我把自己用的选题采集XPath模板整理了一份，放在 home.linyan.cloud，需要的朋友可以去下载。

#影刀RPA #RPA教程 #自媒体工具 #选题采集 #多平台运营

作者：林焱