Python爬虫爬取微博热搜保存为 Markdown 文件的源码
(编辑:jimmy 日期: 2024/12/27 浏览:3 次 )
什么是爬虫?
网络爬虫(又被称为网页蜘蛛,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。
其实通俗的讲就是通过程序去获取web页面上自己想要的数据,也就是自动抓取数据
爬虫可以做什么?
你可以爬取小姐姐的图片,爬取自己有兴趣的岛国视频,或者其他任何你想要的东西,前提是,你想要的资源必须可以通过浏览器访问的到。
爬虫的本质是什么?
上面关于爬虫可以做什么,定义了一个前提,是浏览器可以访问到的任何资源,特别是对于知晓web请求生命周期的学者来说,爬虫的本质就更简单了。爬虫的本质就是模拟浏览器打开网页,获取网页中我们想要的那部分数据。
微博热搜榜python爬虫,仅供学习交流
源码及注释:
# -*- coding=UTF-8 -*- #!usr/bin/env python import os import time import requests from lxml import etree url = "https://s.weibo.com/top/summary" headers={ 'Host': 's.weibo.com', 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3', 'Accept-Encoding': 'gzip, deflate, br', 'Accept-Language': 'zh-CN,zh;q=0.9', 'Connection': 'keep-alive', 'Referer': 'https://weibo.com/', 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.97 Safari/537.36' } r = requests.get(url,headers=headers) print(r.status_code) html_xpath = etree.HTML(r.text) data = html_xpath.xpath('//*[@id="pl_top_realtimehot"]/table/tbody/tr/td[2]') num = -1 # # 解决存储路径 # time_path = time.strftime('%Y{y}%m{m}%d{d}',time.localtime()).format(y='年', m='月', d='日') # time_name = time.strftime('%Y{y}%m{m}%d{d}%H{h}',time.localtime()).format(y='年', m='月', d='日',h='点') # root = "./" + time_path + "/" # path = root + time_name + '.md' # if not os.path.exists(root): # os.mkdir(root) # 解决存储路径 time_path = time.strftime('%Y{y}%m{m}%d{d}',time.localtime()).format(y='年', m='月', d='日') time_name = time.strftime('%Y{y}%m{m}%d{d}%H{h}',time.localtime()).format(y='年', m='月', d='日',h='点') year_path = time.strftime('%Y{y}',time.localtime()).format(y='年') month_path = time.strftime('%m{m}',time.localtime()).format(m='月') day_month = time.strftime('%d{d}',time.localtime()).format(d='日') all_path = "./" + year_path + '/'+ month_path + '/' + day_month if not os.path.exists(all_path): # 创建多层路径 os.makedirs(all_path) # 最终文件存储位置 root = all_path + "/" path = root + time_name + '.md' print(path) # 文件头部信息 with open(path,'a') as f: f.write('{} {}\n\n'.format('# ',time_name+'数据')) f.close() for tr in (data): title = tr.xpath('./a/text()') hot_score = tr.xpath('./span/text()') num += 1 # 过滤第 0 条 if num == 0: pass else: with open(path,'a') as f: f.write('{} {}、{}\n\n'.format('###',num,title[0])) f.write('{} {}\n\n'.format('微博当时热度为:',hot_score[0])) f.close() print(num,title[0],'微博此时的热度为:',hot_score[0])
运行:
运行结束后会在当前文件夹下生成以时间命名的文件夹,并且会生成以具体小时为单位的具体时间命名的 Markdown 文件,如下:
查看:
下一篇:Python用requests库爬取返回为空的解决办法