方式 A：xhs CLI（推荐，适合快速读取）#

1
uv tool install xiaohongshu-cli

配置文件路径：~/.xiaohongshu-cli/cookies.json

需要三个 cookies：a1、webId、web_session。其中 web_session 通过调用 login_activate() API 自动获取（HttpOnly cookie，无法手动提取）。

1
# 获取 web_session 的示例
2
from xhs_cli.client import XhsClient
3
client = XhsClient(cookies)
4
client.login_activate()  # 自动获取并保存 web_session

常用命令：

1
xhs read <笔记URL>      # 读取笔记（支持完整URL）
2
xhs search <关键词>      # 按关键词搜索
3
xhs hot                  # 热门笔记
4
xhs feed                 # 推荐流

方式 B：XHS-Downloader（适合下载图片和批量操作）#

GitHub：JoeanAmier/XHS-Downloader v2.8

已安装在 /workspace/xhs-downloader，venv 使用 uv sync 创建。

1
# 启动API服务
2
cd /workspace/xhs-downloader
3
python main.py api --port 5556
4

5
# 调用API获取笔记详情
6
curl -X POST http://localhost:5556/xhs/detail \
7
  -H "Content-Type: application/json" \
8
  -d '{"url":"<完整URL>","download":false}'
9

10
# 返回数据包含 title、desc、image_list（含所有图片URL）

⚠️ 注意：不要用 uv run（会重编 nuitka，极慢），直接用 venv Python 路径。 venv Python 路径示例：/root/.cache/omnibot/uv-project-envs/.../bin/python

OCR 工具：Tesseract#

1
apk add tesseract-ocr tesseract-ocr-data-chi_sim

验证安装：

1
tesseract --list-langs
2
# 输出应包含：chi_sim

Step 1：获取完整笔记 URL#

小红书分享链接是 xhslink.com 短链，需要先解析。

方式一：用浏览器 navigate 解析

1
# 通过 browser_use 工具的 navigate action
2
browser_use(action="navigate", url="http://xhslink.com/o/xxxxxx")
3
# 结果中 currentUrl 即为完整的笔记 URL

方式二：用 xhs CLI 直接读取

1
xhs read "http://xhslink.com/o/xxxxxx"
2
# 如果提示 "No xsec_token — using HTML fallback"
3
# 需要先解析出完整URL再重试

完整 URL 格式示例：

1
https://www.xiaohongshu.com/discovery/item/{note_id}?xsec_token={token}&source=app_share

Step 2：获取笔记数据#

使用 xhs CLI 读取完整笔记数据：

1
xhs read "https://www.xiaohongshu.com/discovery/item/xxx?..."

返回的 YAML 格式数据包含：

关键操作：从 image_list 中提取所有 url_default 字段，得到图片下载链接。

Step 3：下载所有图片#

编写 Python 脚本下载图片：

1
import urllib.request, os
2

3
urls = [...]  # 从 Step 2 提取的图片URL列表
4
img_dir = "/workspace/笔记名称_图片目录"
5
os.makedirs(img_dir, exist_ok=True)
6

7
for i, url in enumerate(urls):
8
    fname = f"{img_dir}/page_{i+1:02d}.webp"
9
    urllib.request.urlretrieve(url, fname)

注意事项：

• 图片格式为 .webp，可直接用于 OCR
• 图片数量通常 1-19 张
• 注意请求频率，可加 time.sleep(0.5) 避免被限

Step 4：OCR 识别#

对所有图片执行 Tesseract OCR：

1
cd /workspace/笔记目录
2
for f in page_*.webp; do
3
    echo "===== $f ====="
4
    tesseract "$f" stdout -l chi_sim 2>/dev/null
5
    echo ""
6
done

输出会按图片顺序展示识别文字。

Step 5：文字清洗与整理#

OCR 输出存在常见问题需要清洗：

1
import re
2

3
def clean_ocr_text(text):
4
    # 去除中文之间的空格
5
    text = re.sub(r'([\u4e00-\u9fff])\s+([\u4e00-\u9fff])', r'\1\2', text)
6
    # 修正中文标点前的空格
7
    text = re.sub(r'([\u4e00-\u9fff])\s+([，。；：？、！\)\])])', r'\1\2', text)
8
    # 特定错误修正
9
    text = text.replace("LLMI", "LLM").replace("—", "—")
10
    return text.strip()

Step 6：组织为结构化文档#

按照原文的段落层次组织：

1
# 笔记标题
2
> 来源：小红书笔记 | OCR提取于 YYYY-MM-DD
3

4
---
5

6
## 一级标题
7

8
正文内容...
9

10
### 二级标题
11

12
列表、表格、代码块...

文档结构建议：

• 保留原文的信息层级
• 使用 Markdown 表格替代原文中的对比/分类内容
• 代码目录结构用树形文本
• 重要结论或原则用引用或加粗突出

1. xhs CLI 报 “Could not parse INITIAL_STATE from HTML”#

原因： 短链接(xhslink.com)未解析，或 xsec_token 缺失。

解决：

1. 先用浏览器 navigate 短链接，获取重定向后的完整 URL
2. 用完整 URL 重新执行 xhs read

2. xhs CLI 提示 “No xsec_token”#

原因： 缺少必要的安全参数。

解决： 需要完整 URL（含 xsec_token），而不是短链接。

3. Tesseract OCR 识别质量差#

原因及对策：

• 图片分辨率太低 → 使用原图 URL（非缩略图）
• 中文识别率低 → 确保 -l chi_sim 参数正确
• 背景复杂干扰 → 避免保存干扰较大的缩略图版本

4. 图片下载失败#

原因： 网络问题或 CDN 限流。

解决：

• 加 time.sleep(1) 降低请求频率
• 尝试切换为 url_pre 或 url_default 中的其他域名