一小时教会你单线程爬取微博热搜
【Python爬虫】单线程爬取微博热搜
最近有很多小伙伴们都天天在微博上吃到各种不少的瓜吧，一打开微博热搜榜就是当下的热点头条。那么我们怎么用程序来爬取微博热搜的内容呢？
今天我就来教会大家怎么用爬虫爬取微博热搜上的内容，可以随时随地在自己电脑上run一下就可以获取到当下微博热搜。
首先，什么是爬虫呢？
网络爬虫（又称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。 ——《百度百科》
我们写爬虫用的是Python语言（一般写爬虫程序都是选择Python）
关于Python如何安装我就不在这里赘述了，大家可自行到网上去百度下载，网上也有各种教程教你安装Python环境，安装起来也很简单。
写爬虫程序一般要用到一些第三方库，比如requests,bs4,xpath…
安装方法：打开cmd；输入：
pip install requests #例如安装requests
写爬虫第一步，导入需要的第三方库（也可以什么时候需要什么时候加）
import requests
from bs4 import BeautifulSoup
from urllib import parse
import time
- 然后，我们需要微博热搜的网址，即url。URL=https://s.weibo.com/top/summary?cate=realtimehot
- 所谓爬虫就是我们用程序模拟人类行为去请求访问服务器，然后服务器会给我们回应，返回网页内容。
定义第一个函数：请求网页内容。这里我们先给出一部分代码：
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36'
} #模拟浏览器行为
def get_url(url):
response = requests.get(url,headers=headers)
if response.status_code == 200:
response.encoding = 'utf-8'
return response.text
else:
return ""
当我们得到请求的网页内容后，我们需要将网页内容转换为我们所要的格式来输出。（网页内容即网页源代码，浏览器经过JavaScript渲染后就是我们在浏览器上看到的丰富的页面内容，爬虫里没有JavaScript的支持，所以返回的是网页源代码）
下面我们来定义第二个函数：获取网页内容
这里我们需要用到BeautifulSoup库，将源代码变成我们要的数据格式。
这部分代码如下：
def get_html(html):
soup = BeautifulSoup(html,'lxml')
trs = soup.select('table tbody tr')
for tr in trs:
title = tr.select_one('td a').text
link = tr.select_one('td a')['href']
link = parse.urljoin('https://s.weibo.com/',link)
print(title,link)
最后，程序需要一个主函数，即main（），主函数用来调用函数，另外URL等内容也可以放在主函数中。
if __name__ == '__main__':
start = time.time()
url = 'https://s.weibo.com/top/summary?cate=realtimehot'
url2 = 'https://s.weibo.com/top/summary?cate=socialevent'
html = get_url(url)
get_html(html)
html2 = get_url(url2)
get_html(html2)
print(time.time()-start) #用来检测程序运行时间
完整代码如下
import requests
from bs4 import BeautifulSoup
from urllib import parse
import time
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36'
} #模拟浏览器行为
def get_url(url):
response = requests.get(url,headers=headers)
if response.status_code == 200:
response.encoding = 'utf-8'
return response.text
else:
return ""
def get_html(html):
soup = BeautifulSoup(html,'lxml')
trs = soup.select('table tbody tr')
for tr in trs:
title = tr.select_one('td a').text
link = tr.select_one('td a')['href']
link = parse.urljoin('https://s.weibo.com/',link)
print(title,link)
if __name__ == '__main__':
start = time.time()
url = 'https://s.weibo.com/top/summary?cate=realtimehot'
url2 = 'https://s.weibo.com/top/summary?cate=socialevent'
html = get_url(url)
get_html(html)
html2 = get_url(url2)
get_html(html2)
print(time.time()-start)
展示效果如下
有疑问的可以在评论区评论，欢迎大家积极讨论，也可以私信博主哦！