Python 分析样例|数据采集案例:微博热搜榜采集

2023-10-22 23:20

本文主要是介绍Python 分析样例|数据采集案例:微博热搜榜采集,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

实现目标

本案例通过图文详细介绍网络请求和解析的方法,其目标实现的需求为:通过网络请求,获取微博热搜榜中的前50条热搜的关键词,并将结果打印到控制台中。

实现过程

总体来说,数据采集爬虫的实现过程包括如下步骤:

  • 确定数据所在的Url
  • 执行网页请求并解决请求中出现的问题
  • 解析网页,获取格式化数据
  • 存储数据(当前案例中不需要)

下面我们按着以上步骤来依次完成。

确定数据所在Url

打开微博热搜榜,即Url为:https://s.weibo.com/top/summary

在这里插入图片描述

首先,我们需要判断目标数据是存在于页面上,还是通过Ajax加载的。我们可以在浏览器(建议使用Chrome浏览器)中右键,选择“查看网页源代码”。

在这里插入图片描述

此时浏览器会打开新的页面,其Url(网页地址)前增加了view-source部分,在网页中显示的关键词就是当前网页的源代码。

在这里插入图片描述

我们使用快捷键Ctrl+F打开搜索框,在网页源代码中搜索热搜榜页面上显示的文字,例如热搜排名第一的”北宋古墓发现过仙桥“,可以发现网页源代码中存在该关键词,这就说明热搜榜是直接加载在页面中,而不是通过Ajax加载的,此时我们只要直接请求网页的Url即可获得热搜榜数据。

网页请求

下面我们使用requests模块执行网页请求,并打印请求的结果,其代码如下:

import requestsif __name__ == "__main__":response = requests.get("https://s.weibo.com/top/summary")print(response.content.decode())

在打印出的内容中,我们再一次通过搜索找到了”北宋古墓发现过仙桥“,说明我们的请求成功获得了热搜榜数据,并没有出现任何问题。

网页解析

在这里插入图片描述

再次回到浏览器,右键,选择“检查”,打开浏览器控制台(或直接使用快捷键F12也可以打开控制台)。

在这里插入图片描述

选中元素选取工具。

在这里插入图片描述

在元素选取模式下(元素选取工具的小箭头为蓝色),点击我们需要采集的信息。

在这里插入图片描述

此时,浏览器控制台将定位到目标信息所在的标签。

在这里插入图片描述

我们在该标签上右键,选择“Copy“,再选择”Copy Selector“,复制标签的CSS Selector路径,这个路径是用来定位到当前标签的。例如,第一条热搜关键词所在标签的CSS Selector为:

#pl_top_realtimehot > table > tbody > tr:nth-child(2) > td.td-02 > a

其中#pl_top_realtimehot表示ID为pl_top_realtimehot的标签,即下图中第一行的div标签;> table表示当前标签下一层的table标签,即下图中第二行的table标签;tr:nth-child(2)表示当前标签下的第二个tr标签,即下图中被选中的tr标签。

在这里插入图片描述

通过对于网络结构的观察,我们可以发现每条热搜都是tbody标签下的一个独立的tr标签;因此,要同时获取不同热搜的关键词,我们只需要不再限制指定的tr标签即可,即将CSS selector路径中tr:nth-child(2)中的:nth-child(2)删除即可。

#pl_top_realtimehot > table > tbody > tr > td.td-02 > a

在浏览器控制台的Elements标签中,使用Ctrl+F快捷键打开搜索框,在搜索框中搜索修改后的CSS Selector路径,可以得到51个结果,说明修改后的CSS Selector已经可以同时匹配所有热搜的关键词了。

在这里插入图片描述

下面我们使用Python的第三方模块——BeautifulSoup模块(pip安装命令 : pip install BeautifulSoup4)实现解析,包含请求的代码如下:

import requests
from bs4 import BeautifulSoupif __name__ == "__main__":response = requests.get("https://s.weibo.com/top/summary")bs = BeautifulSoup(response.content.decode(), 'lxml')for keyword_label in bs.select("#pl_top_realtimehot > table > tbody > tr > td.td-02 > a"):print(keyword_label.text)

运行结果已经可以将所有热搜打印到控制台中,实现了当前需求。

10个关键词把握2020中国经济走势
北宋古墓发现过仙桥
香港各界发起联署支持国家安全立法
马路惊现非洲雄狮
澳门所有大中小学升国旗唱国歌全覆盖
......

本系列案例采集的一切数据仅可用于学习、研究用途!

对于案例需求的说明 : 因此微博热搜榜是实时更新的,所以一个相对完整的采集需求如下:每3分钟采集一次微博热搜榜中的前49条热搜(忽略第3条的广告信息),并将结果存储到数据库中,数据库应至少包含采集时间、排名(rank)、关键词(keyword)、热度(hot)、类型(type)等字段。完整案例将在后续内容中讲解。

对于案例讲解的说明 : 作为第一个案例,本文通过图文详细讲解了每一个步骤,后续的案例将以讲解思路为主。

这篇关于Python 分析样例|数据采集案例:微博热搜榜采集的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/264228

相关文章

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Go标准库常见错误分析和解决办法

《Go标准库常见错误分析和解决办法》Go语言的标准库为开发者提供了丰富且高效的工具,涵盖了从网络编程到文件操作等各个方面,然而,标准库虽好,使用不当却可能适得其反,正所谓工欲善其事,必先利其器,本文将... 目录1. 使用了错误的time.Duration2. time.After导致的内存泄漏3. jsO

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

springboot循环依赖问题案例代码及解决办法

《springboot循环依赖问题案例代码及解决办法》在SpringBoot中,如果两个或多个Bean之间存在循环依赖(即BeanA依赖BeanB,而BeanB又依赖BeanA),会导致Spring的... 目录1. 什么是循环依赖?2. 循环依赖的场景案例3. 解决循环依赖的常见方法方法 1:使用 @La

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优