废话少说,直接上代码,然后再详细介绍构造过程。
代码
import urllib.request
import re
import pandas as pd
import time
import random
def getdata():
url='https://s.weibo.com/top/summary?cate=realtimehot'
req=urllib.request.Request(url)
req.add_header('User-Agent',' Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36')
data=urllib.request.urlopen(req).read().decode('utf-8')
str1=str(data)
pat1='">(.*?)</a>'
pat2='<span>(.*?)</span>'
result1=re.compile(pat1).findall(str1)
result2=re.compile(pat2).findall(str1)
a=result1[4:55]
return a,result2
if __name__ == '__main__':
for i in range(0,15):
name=time.strftime("%Y-%m-%d-%H-%M-%S",time.localtime())
data=getdata()
print('置顶榜为:',data[0][0])
hot=data[0][1:56]
dataframe = pd.DataFrame({'热搜榜': hot, '热点数:': data[1]})
dataframe.to_csv(name+".csv", index=False, sep=',', encoding="utf_8_sig", mode="a+")
time.sleep(random.randint(1,30))
Step1:确定网址
数据爬取的是微博热搜榜,解析网页信息并解码。
代码
req=urllib.request.Request(url)
data=urllib.request.urlopen(req).read().decode('utf-8')
Step2:反爬机制
有些网站需要定义反爬机制。
代码
req.add_header('User-Agent',' Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36')
有关User-Agent的知识可参考Python爬虫:将User-Agent添加进网页请求头。
Step3:正则式匹配
打开源数据网页,查看源代码,确定爬取数据的位置。见下图:
则爬取的位置是:
<a href="/weibo?q=%E5%BE%97%E7%89%A9%E5%B4%A9%E4%BA%86&Refer=top" target="_blank">得物崩了</a>
<a href="/weibo?q=%E8%89%BE%E6%AF%94%E5%B0%8F%E5%8F%B7&Refer=top" target="_blank">艾比小号</a>
<a href="/weibo?q=%23%E4%B8%80%E8%B5%B7%E8%8B%97%E8%8B%97%E8%8B%97%E8%8B%97%E8%8B%97%23&Refer=top" target="_blank">一起苗苗苗苗苗</a>
和
<span>1427950</span>
<span>1373588</span>
<span>1331551</span>
确定正则匹配式:
pat1='">(.*?)</a>'
pat2='<span>(.*?)</span>'
Step4:将爬取数据写入表格并保存
首先导入pandas库。
import pandas as pd
写入表格并保存:
dataframe = pd.DataFrame({'热搜榜': hot, '热点数:': data[1]})
dataframe.to_csv(name+".csv", index=False, sep=',', encoding="utf_8_sig", mode="a+")
至此所有的步骤都已完成。