用Python實現爬取百度熱搜信息

前言

何為爬蟲,其實就是利用計算機模擬人對網頁的操作

例如 模擬人類瀏覽購物網站

使用爬蟲前一定要看目標網站可刑不可刑 :-)

可以在目標網站添加/robots.txt 查看網頁具體信息

例如對天貓  可輸入  https://brita.tmall.com/robots.txt 進行查看

User-agent 代表發送請求的對象

星號*代表任何搜索引擎

Disallow 代表不允許訪問的部分

/代表從根目錄開始

Allow代表允許訪問的部分

在本例中 我爬取的百度熱搜前30的新聞(本人原本打算爬取英雄聯盟主頁 數據中心 大亂鬥勝率前五十的英雄信息 奈何不會實現延時爬取網頁的操作 無奈隻能爬百度熱搜) 並且其大致信息放到Excel表格以及Flask網頁中實現數據可視化  感興趣的同學也可以對其它內容進行爬取

由於本人水平有限 本文章中的爬蟲都是比較基礎的東西

庫函數準備

Python庫的安裝方法:

打開cmd命令提示符輸入pip install XXX(這個是你要裝的庫名稱)

關於這些庫的具體使用 可以接下來看我的操作 

隻需要簡單掌握幾個常用的函數即可

bs4

即BeautifulSoup

用來解析HTML網頁,提取指定數據的。

其中詳細的用法待會看我的演示。

re

正則表達式 用來匹配字符串中響應的字串。

關於正則表達式 可以去看菜鳥教程 裡邊講的很詳細

urllib

是一個Python自帶的HTTP請求庫,可以操作一系列URL。

xlwt/xlrt

用於寫入(write) / 讀取(read)Excel表中的數據。

flask

這個庫是用來隻做一個簡單的Web框架即網站,用於數據的可視化。

其實本人對於數據可視化的掌握也很淺薄,隻是簡單的將數據導入Web網頁中。

jinja2

這個庫的作用是為瞭實現在HTML網頁中的字符中插入自變量的功能。

後端:
name="HQ"
前端:
<p>{{name}}長得真帥!</p>
顯示:
HQ長得真帥!

markupsafe

與Jinja共用 在渲染頁面時用於避免不可信的輸入,防止註入攻擊(雖然沒人會攻擊你….)

數據爬取

數據爬取數據可視化 兩個py文件是分開的

數據爬取需要導入re bs4 urllib xlwt 四個庫文件

網頁爬取

使用一下的方法調用函數可以使函數調用關系更加清晰

if __name__=="__main__":  #當程序執行時 調用一下函數
    main()
 
def askurl(url):
    head={
        "User-Agent":'''Mozilla/5.0 (Windows NT 10.0; Win64; x64)
         AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.71 Safari/537.36 Edg/97.0.1072.55'''
    }
    #用戶代理 告訴服務器我隻是一個普普通通的瀏覽器
    requset=urllib.request.Request(url)
    #發送請求
    response=urllib.request.urlopen(requset)
    #響應的為一個request對象 
    #通過read()轉化為 bytes類型字符串
    #再通過decode()轉化為 str類型的字符串
 
    #接受響應
    html=response.read().decode('utf-8')
    
    將抓取到的網頁存入文檔中 方便觀察
    path=r"C:\Users\XXX\Desktop\Python\text.txt"   
    #這裡在字符串前加入r 防止字符串中的\發生轉義
 
    f=open(r"path",'w',encoding='utf-8')
    f.write(html)
    f.close()
    #這樣在txt文件中就可以查看網頁的源碼
 
    return html

headers的值可以在網頁中按F12

然後點擊網絡變化 對於任意一個請求標頭 下拉到最下方即為 user-agent 代理信息

值得註意的是  請求中如果不設置headers 則服務器會返回一個418的狀態碼

代表服務器識別出來你是一個爬蟲 並且表示:“ I'm a teapot ”

表明服務器拒絕沖煮咖啡,因為它永遠是一個茶壺(這是一個梗)

數據解析

將抓取的txt文件後綴改為html後打開即為一個本地的網頁

如果在vscode中因為行過長而產生報錯 可以參考以下博客

 打開後的網頁如圖所示

使用這個功能查看需要爬取信息的位置

在本項目中 我們抓取目標信息的標題 內容 熱度 以及鏈接

我們可以發現 我們需要的信息全部在class為以下類型的表中

 於是我們用Beautifulsoup對網頁進行解析

def getData(html):
    datalist=[]
    soup=BeautifulSoup(html,"html.parser")   #定義一個解析對象
    
    #soup.find_all(a,b) 其中a為標簽的類型 class_ 對div的class進行匹配 
    #返回的是所有class為category-wrap_iQLoo horizontal_1eKyQ的列表
    
    for item in soup.find_all('div',class_="category-wrap_iQLoo horizontal_1eKyQ"):
        item=str(item)
        #將列表中每一個子標簽轉換為字符串用於re匹配

接下來對每一個item進行re匹配

首先使用re.compile()創建匹配規則 然後用findall進行匹配

 匹配規則的創建方式為在HTML文件中查看目標信息前後的特殊字符

而(.*?)即為要匹配的字符串 其中*後加?代表非貪婪匹配

例如

標題前後信息即為ellipsis"></div> <div cla 

其它同理

#匹配規則
#鏈接
findlink=re.compile(r' href="(.*?)" rel="external nofollow"  target="_blank') 
#標題
findtitle=re.compile(r'ellipsis"> (.*?) </div> <div cla') 
#內容
findcontent1=re.compile(r'ellipsis_DupbZ"> (.*?) <a class=')
findcontent2=re.compile(r'small_Uvkd3"> (.*?) <a class=')
#熱度
findnumber=re.compile(r'ex_1Bl1a"> (.*?) </div>')

而內容部分 我在後續運行的時候發現報錯 原因是

部分內容前綴為'ellipsis_DupbZ">   部分內容前綴為small_Uvkd3">

因此我編寫瞭兩種匹配方式

具體代碼如下

def getData(html):
    datalist=[]
    soup=BeautifulSoup(html,"html.parser")   #定義一個解析對象
    
    #soup.find_all(a,b) 其中a為標簽的類型 class_ 對div的class進行匹配 
    #返回的是所有class為category-wrap_iQLoo horizontal_1eKyQ的列表
    
    for item in soup.find_all('div',class_="category-wrap_iQLoo horizontal_1eKyQ"):
        item=str(item)
        #將列表中每一個子標簽轉換為字符串用於re匹配
        data=[]
        #標題
        title=re.findall(findtitle,item)[0]
        #簡介
        #判斷是否對第一種匹配 如果不是的話返回為空列表 此時應采用第二種匹配
 
        if (len(re.findall(findcontent1,item))!=0):
            content=re.findall(findcontent1,item)[0]
        else:
            content=re.findall(findcontent2,item)[0]
        #熱度
        number=re.findall(findnumber,item)[0]
        #鏈接
        link=re.findall(findlink,item)[0]
 
        #將數據存入數組
        data.append(title)
        data.append(number)
        data.append(content)
        data.append(link)
        datalist.append(data)
        
    print(datalist)
    return datalist

數據保存

def Savedata(datalist):
    #存入數據的目標路徑
    path=r'C:\Users\XXX\Desktop\Python\爬蟲\data.xls'
    workbook=xlwt.Workbook(encoding='utf-8')
    #創建工作表對象
    worksheet=workbook.add_sheet('sheet1')
    #創建表單 
    col=("標題","熱度","內容","鏈接")
    #定義表含有的屬性
 
    for i in range(4):
        worksheet.write(0,i,col[i])
    #write(i,j,value) 向 表單的 [i][j] 位置寫入value
    for i in range(30):
        for j in range(4):
            worksheet.write(i+1,j,datalist[i][j]) 
    #將excel表保存
    workbook.save(path)

總結

到此這篇關於用Python實現爬取百度熱搜信息的文章就介紹到這瞭,更多相關Python爬取百度熱搜內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: