微博热搜的爬取较为简单，我只是用了lxml和requests两个库
url= https://s.weibo.com/top/summary?refer=top_hot&topnav=1&wvr=6
1.分析网页的源代码：右键--查看网页源代码.
从网页代码中可以获取到信息
(1)热搜的名字都在<td class="td-02">的子节点<a>里
(2)热搜的排名都在<td class=td-01 ranktop>的里(注意置顶微博是没有排名的！)
(3)热搜的访问量都在<td class="td-02">的子节点<span>里
2.requests获取网页
(1)先设置url地址，然后模拟浏览器(这一步可以不用)防止被认出是爬虫程序。
|
1
2
3
4
|
###网址url="https://s.weibo.com/top/summary?refer=top_hot&topnav=1&wvr=6"###模拟浏览器，这个请求头windows下都能用header={'user-agent':'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/73.0.3683.103 safari/537.36'} |
(2)利用req uests库的get()和lxml的etr ee()来获 取网页代码
|
1
2
|
###获取html页面 html=etree.html(requests.get(url,headers=header).text) |
3.构造xpath路径
上面第一步中三个xath路径分别是：
|
1
2
3
|
affair=html.xpath('//td[@class="td-02"]/a/text()')rank=html.xpath('//td[@class="td-01 ranktop"]/text()')view=html.xpath('//td[@class="td-02"]/span/text()') |
xpath的返回结果是列表，所以affair、rank、view都是字符串列表
4.格式化输出
需要注意的是affair中多了一个置顶热搜，我们先将他分离出来。
|
1
2
|
top=affair[0]affair=affair[1:] |
这里利用了python的切片。
|
1
2
3
|
print('{0:<10}\t{1:<40}'.format("top",top)) for i in range(0, len(affair)): print("{0:<10}\t{1:{3}<30}\t{2:{3}>20}".format(rank[i],affair[i],view[i],chr(12288))) |
这里还是没能做到完全对齐。。。
5.全部代码
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
###导入模块import requestsfrom lxml import etree###网址url="https://s.weibo.com/top/summary?refer=top_hot&topnav=1&wvr=6"###模拟浏览器header={'user-agent':'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/73.0.3683.103 safari/537.36'}###主函数def main(): ###获取html页面 html=etree.html(requests.get(url,headers=header).text) rank=html.xpath('//td[@class="td-01 ranktop"]/text()') affair=html.xpath('//td[@class="td-02"]/a/text()') view = html.xpath('//td[@class="td-02"]/span/text()') top=affair[0] affair=affair[1:] print('{0:<10}\t{1:<40}'.format("top",top)) for i in range(0, len(affair)): print("{0:<10}\t{1:{3}<30}\t{2:{3}>20}".format(rank[i],affair[i],view[i],chr(12288)))main() |
结果展示:
总结
以上所述是小编给大家介绍的python网络爬虫之爬取微博热搜,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对服务器之家网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！原文链接：http://www.cnblogs.com/JustNo/p/10726802.html
