您现在的位置：程式師世界 >> 編程語言 > >> 更多編程語言 >> Python

上班用Python采集熱搜榜，堪稱摸魚神器

編輯：Python

前言

不知道大家在工作無聊時，有沒有一種沖動：總想掏出手機，看看微博熱搜在討論什麼有趣的話題，但又不方便直接打開微博浏

覽，今天就和大家分享一個有趣的小爬蟲，定時采集微博熱搜榜&熱評，下面讓我們來看看具體的實現方法。

頁面分析

熱搜頁

熱榜首頁：https://s.weibo.com/top/summary?cate=realtimehot

熱榜首頁的榜單中共五十條數據，在這個頁面，我們需要獲取排行、熱度、標題，以及詳情頁的鏈接。

我們打開頁面後要先登錄，之後使用 F12 打開開發者工具，Ctrl + R 刷新頁面後找到第一條數據包。這裡需要記錄一下自己的

Cookie 與 User-Agent。

對於標簽的定位，直接使用 Google 工具獲取標簽的 xpath 表達式即可。

詳情頁

對於詳情頁，我們需要獲取評論時間、用戶名稱、轉發次數、評論次數、點贊次數、評論內容這部分信息。

方法與熱搜頁采集方式基本相同，下面看看如何用代碼實現！

采集代碼

首先導入所需要的模塊。

python插件/素材/源碼加Q群：903971231####
import requests
from time import sleep
import pandas as pd
import numpy as np
from lxml import etree
import re

定義全局變量。

•headers：請求頭

•all_df：DataFrame，保存采集的數據

headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.54 Safari/537.36',
'Cookie': '''你的Cookie'''
}
all_df = pd.DataFrame(columns=['排行', '熱度', '標題', '評論時間', '用戶名稱', '轉發次數', '評論次數', '點贊次數', '評論內容'])
熱搜榜采集代碼，通過 requests 發起請求，獲取詳情頁鏈接後，跳轉進入詳情頁采集 get_detail_page。
def get_hot_list(url):
''' 微博熱搜頁面采集，獲取詳情頁鏈接後，跳轉進入詳情頁采集 :param url: 微博熱搜頁鏈接 :return: None '''
page_text = requests.get(url=url, headers=headers).text
tree = etree.HTML(page_text)
tr_list = tree.xpath('//*[@id="pl_top_realtimehot"]/table/tbody/tr')
for tr in tr_list:
parse_url = tr.xpath('./td[2]/a/@href')[0]
detail_url = 'https://s.weibo.com' + parse_url
title = tr.xpath('./td[2]/a/text()')[0]
try:
rank = tr.xpath('./td[1]/text()')[0]
hot = tr.xpath('./td[2]/span/text()')[0]
except:
rank = '置頂'
hot = '置頂'
get_detail_page(detail_url, title, rank, hot)

根據詳情頁鏈接，解析所需頁面數據，並保存到全局變量 all_df 中，對於每個熱搜只采集熱評前三條，熱評不夠則跳過。

def get_detail_page(detail_url, title, rank, hot):
''' 根據詳情頁鏈接，解析所需頁面數據，並保存到全局變量 all_df :param detail_url: 詳情頁鏈接 :param title: 標題 :param rank: 排名 :param hot: 熱度 :return: None '''
global all_df
try:
page_text = requests.get(url=detail_url, headers=headers).text
except:
return None
tree = etree.HTML(page_text)
result_df = pd.DataFrame(columns=np.array(all_df.columns))
# 爬取3條熱門評論信息
for i in range(1, 4):
try:
comment_time = tree.xpath(f'//*[@id="pl_feedlist_index"]/div[4]/div[{
i}]/div[2]/div[1]/div[2]/p[1]/a/text()')[0]
comment_time = re.sub('\s','',comment_time)
user_name = tree.xpath(f'//*[@id="pl_feedlist_index"]/div[4]/div[{
i}]/div[2]/div[1]/div[2]/p[2]/@nick-name')[0]
forward_count = tree.xpath(f'//*[@id="pl_feedlist_index"]/div[4]/div[{
i}]/div[2]/div[2]/ul/li[1]/a/text()')[1]
forward_count = forward_count.strip()
comment_count = tree.xpath(f'//*[@id="pl_feedlist_index"]/div[4]/div[{
i}]/div[2]/div[2]/ul/li[2]/a/text()')[0]
comment_count = comment_count.strip()
like_count = tree.xpath(f'//*[@id="pl_feedlist_index"]/div[4]/div[{
i}]/div[2]/div[2]/ul/li[3]/a/button/span[2]/text()')[0]
comment = tree.xpath(f'//*[@id="pl_feedlist_index"]/div[4]/div[{
i}]/div[2]/div[1]/div[2]/p[2]//text()')
comment = ' '.join(comment).strip()
result_df.loc[len(result_df), :] = [rank, hot, title, comment_time, user_name, forward_count, comment_count, like_count, comment]
except Exception as e:
print(e)
continue
print(detail_url, title)
all_df = all_df.append(result_df, ignore_index=True)
調度代碼，向 get_hot_list 中傳入熱搜頁的 url ，最後進行保存即可。
if __name__ == '__main__':
url = 'https://s.weibo.com/top/summary?cate=realtimehot'
get_hot_list(url)
all_df.to_excel('工作文檔.xlsx', index=False)
python插件/素材/源碼Q群：903971231####

對於采集過程中對於一些可能發生報錯的地方，為保證程序的正常運行，都通過異常處理給忽略掉了，整體影響不大！