刚学python爬虫,用爬虫爬取新浪微博热搜,看看效果如何,也是对这段时间学习python的总结。
一、目的:
抓取新浪微博2020年1月3日星期五的热搜榜,将抓取到的数据进行动态展示,并生成当天的微博热点词云及微博热搜频度较高的前20个关键词的条形图。
二、思路:
分析新浪微博热搜榜网页https://s.weibo.com/top/summary,分析网页结构
对网页进行解析,获取当前热点的话题、名次、话题讨论量、当前抓取的时间
由于微博热搜动态刷新,选取20-30分钟抓取一次数据,时间范围为9:30-21:00
将最后抓取到的所有的数据导入到实现数据动态显示的模块中,并进行相关调整
利用结巴分词对获取到数据进行分词,用WordCloud显示当天热搜的热点词云
三、相关实现步骤
1.网页解析
定义请求头来进行模拟浏览器,并随机生成一个请求头,方法def get_header():
header1 = {
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:71.0) Gecko/20100101 Firefox/71.0"
}
header2 = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36 Edge/18.18362"
}
header3 = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko"
}
header_list = [header1,header2,header3]
index = random.randint(0,1)
return header_list[index]
解析网站方法:def get_data(url,headers)
访问
req = requests.get(url=url, headers=headers)
req.encoding = "utf-8"
通过lxml解析网页
bf = BeautifulSoup(html, "lxml")
通过观察,每一条热搜都是在tr class=””下,因此只需遍历所有的class=””
就能得到每一条热搜
div_content = bf.find_all("tr", class_="")
遍历div_content,获得每条热搜的名次,主题,讨论量
for item in div_content:
去掉置顶的那一条信息,在循环外加个变量t = 1
if (t == 1):
t = 0
continue
tr下有三条td信息,分别代表名次、热搜主题和浏览量、标签表情,前两条信息是我们想要获取的
获取当前热搜名次
num_content = item.select("td")[0].string
热搜主题和浏览量分别在td-02的a标签和span标签下
获取当前热搜主题
content = item.select("td")[1].select("a")[0].string
获取当前热搜主题讨论量
num = item.select("td")[1].select("span")[0].string
获取当前系统时间,需要在前面导入from time import strftime
current_time = strftime("%Y-%m-%d %H:%M")
将当前热搜名次、当前热搜主题、当前热搜主题讨论量、当前系统时间放入list,以便存储数据
list = [content,num_content,num,current_time]
将list整个再放入一个list中
list_content.append(list)
2.存储数据
将爬取到的数据存储起来,存储方法def store_Excel(list):
写入文件,编码方式为utf_8_sig,生成的csv文件不会乱码,不换行操作为newline=””
with open("微博实时热搜.csv","a",encoding="utf_8_sig",newline=""