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 和 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">和</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:
- 如何使用python爬取知乎熱榜Top50數據
- 如何使用python爬取B站排行榜Top100的視頻數據
- Python自動爬取圖片並保存實例代碼
- Python 批量下載陰陽師網站壁紙
- python自動生成證件號的方法示例