用Python爬取微博热搜数据

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。