您现在的位置是:首页 > 技术教程 正文

Python|30行代码实现微博热榜爬虫(及可视化进阶)

admin 阅读: 2024-03-25
后台-插件-广告管理-内容页头部广告(手机)

1. 项目简介

当你想要跟踪微博的热门话题时,通过编写一个Python爬虫,来获取微博热搜榜单上的实时数据,并将其可视化展示出来,通过邮件或QQ机器人将其推送,亦可以将其存档,用以保留不同时期的舆论热点。

此外,排行榜项目一向是学习Python爬虫时必备的练手项目,通过本项目,可以学习如何轻松制作仿微博热搜结果的图片、学习基础的代码能力以及相关的数据可视化,数据推送等多方面知识。

该项目主要思路:

  1. 寻找热搜榜数据接口(获取数据)

  2. 解析获取的数据提取热搜话题(格式化数据)

  3. 使用Pillow库创建一个图像,然后将话题绘制到图像上(数据展示)

此外,还有更多的进阶思路,在此处抛砖引玉:

  • 使用selenium库无头浏览器进行截图,获取原生热榜截图

  • 引入邮件库,定期向邮箱中推送爬取的结果

  • 部署到服务器或设置定时任务,整理微博热搜库到Excel或其他存储结构

  • 获取某一时间段的热搜并生成词云进行分析

  • 使用nonebot库将其制作为QQ/社交软件机器人插件


2. 项目实现

2.1. 数据获取

在对一个网站或网页进行爬虫时,选择正确的方法往往能够事半功倍,因此观察网站结构和网站提供的各种API就非常重要,下面我们将举例对不同方法进行分析。

2.1.1. 直接从网页上抓取

顾名思义,该方法就是通过直接分析网页页面,抓取到网页内容。

例如在本例中,可以获取到热搜本页的html页面,获取其

  • 元素

利用Xpath或者beautifulsoup对html页面进行解析,获取到数据后再格式化。

例如,使用xpath获取到html对象后,对其进行解析

import requests from lxml import html # 发送HTTP请求并获取页面内容 url = "https://s.weibo.com/top/summary?cate=realtimehot" response = requests.get(url) # 使用lxml解析页面内容 tree = html.fromstring(response.text) # 使用XPath表达式提取指定元素的文本内容 xpath_expression = "/html/body/div/section/ul/li[2]/span/text()" result = tree.xpath(xpath_expression)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13

这是一种通用的,直观的爬虫方式,但存在几个问题。

  1. 需要伪装请求头,特别是cookie,否则返回的页面为空

  2. cookie一旦过期,需要重新获取,或者根据cookie内容的规律设置变量

  3. 获取内容时比较复杂

因此笔者一直强调在爬取页面时先要多观察,找到数据接口比直接爬取页面来说要方便的多。

2.1.2. 从数据接口抓取

微博开放平台提供了众多接口,微博热搜拥有自己的API接口,其url为:https://weibo.com/ajax/side/hotSearch

这个接口直接get后就会返回一个json文件。

这种方法无需设置请求头,无需设置cookie!十分方便快捷!

其文件结构如图:

第一个为置顶热搜,后面的列表为此时的热搜排行,包含标题、热度、标签等内容。

据此,我们就可以开始动手了,我们直接通过这个API请求到json文件结果,并作为函数返回

#引入requests库 import requests # 获取json文件 def hot_search(): url = 'https://weibo.com/ajax/side/hotSearch' response = requests.get(url) if response.status_code != 200: return None return response.json()['data']
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9

这样,我们就得到了微博热搜的数据文件。


2.2. 数据解析

2.2.1. 基础代码

json文件是非常好的数据载体,它可以作为字典格式进行数据的读取。

我们在得到数据源后,就可以开始着手进行解析。

我们写一个main()函数,并调用hot_search()函数获取数据源

def main(num): data = hot_search() if not data: print('获取微博热搜榜失败') return print(f"置顶:{data['hotgov']['word'].strip('#')}") for i, rs in enumerate(data['realtime'][:num], 1): title = rs['word'] try: label = rs['label_name'] if label in ['新','爆','沸']: label = label else: label = '' except: label = '' print(f"{i}. {title} {label}") if __name__ == '__main__': num = 20 #获取热搜的数量 main(num)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22

由于置顶热搜与普通热搜有所不同,我们先读取置顶热搜。

后面通过遍历即可获得每一条热搜的信息,其中变量num代表获取热搜的数量,可以传递参数控制。

运行后如图所示:

2.2.2. 拓展代码

可以看到,我们已经成功的实现了解析的功能,将热搜解析为文本,并选取了标题和热度标签两个主要内容。

当然,也可以提取"raw_hot" 键中对应的热度,即热搜榜中的搜索热度。

加上这个数据后,结果又缺少了什么,没错,是时间,微博热搜都是具有时效性的,所以我们应该为其加入时间显示。

from datetime import datetime print(datetime.now().strftime('微博热搜榜 20%y年%m月%d日 %H:%M'))
  • 1
  • 2

加入上述代码后,运行结果如下:

但是依然缺少了些什么,例如我们对某个热搜感兴趣,想进一步浏览相关信息,那么就需要链接。

为此,我们首先应该观察在热搜榜点击后的链接结构。

点击链接后url为:https://s.weibo.com/weibo?q=%E8%8C%85%E5%8F%B0%20%E6%88%91%E5%92%8C%E5%BE%B7%E8%8A%99%E5%AE%98%E5%AE%A3%E4%BA%86&t=31&band_rank=2&Refer=top

不难发现,其url组合为:https://s.weibo.com/weibo?q=+热搜标题+&Refer=top等后缀

由于url并不能为中文,因此在链接中会呈现为类似8%8C%85%E这样的编码。

如果我们要实现对url的组合,首先应该对中文字符串进行转码。

为此需要引入urllib库,对中文转码,代码如下。

from urllib.parse import quote link = (f"链接:https://s.weibo.com/weibo?q={quote(title)}&Refer=top") print(f"{i}. {title} {label} ")
  • 1
  • 2
  • 3
  • 4

运行后结果如图:

我们随意点击链接进行测试,发现可以正常进行搜索。

一点思路…

此外,还可以将爬取到的结果保存到Excel表格中,并设置定期任务,形成一个月的热搜表格

可以对其进行进行词频分析,生成词云等可视化分析。

3. 进阶操作

3.1. pillow绘图

在上面的基础代码中,我们已经实现了获取微博热搜的文字信息,如果我们想要更直观的,更友好的展示界面,就需要对其进行可视化,在本例中我们将其生成为如下的图片来进行展示。

由于我们绘图的基础是本文前一部分的代码内容,我们只需要新增一个函数来实现绘图功能,并不影响基础代码。

这也是程序中非常重要的模块化思想,同样的还有面向对象中的封装,都是为了便于后期对功能的增加和更改。

下面是基础代码部分,我们只去掉了部分输出,并为函数增加了返回值。

import requests from datetime import datetime def hot_search(): url = 'https://weibo.com/ajax/side/hotSearch' response = requests.get(url) if response.status_code != 200: return None return response.json()['data'] def decoding(num): data = hot_search() if not data: print('获取微博热搜榜失败') return top = (f"置顶:{data['hotgov']['word'].strip('#')}") hot_li = [] hot_label = [] for i, rs in enumerate(data['realtime'][:num], 1): title = rs['word'] try: label = rs['label_name'] if label in ['新','爆','沸']: label = label else: label = '' except: label = '' # hot_li.append(f"{i}. {title} {label}") hot_li.append(f"{title}") hot_label.append(f"{label}") return hot_li,hot_label
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32

接下来就是我们的主程序,对结果进行绘图

首先我们需要引入PIL库进行绘图。

from PIL import Image, ImageDraw, ImageFont
  • 1

PIL绘图的原理先创建一个指定的画板,然后通过对坐标轴X和Y轴的调整实现内容的布局。

我们的思路是首先创建一个与微博热搜图片等宽的白色幕布,然后为每行内容分配50像素的高度,根据获取的热搜数量计算出幕布的高度。

我们写出此部分的代码

def img(): # 创建图像,设置高度和宽度 width= 750 height = 350+ 70 + len(li)*52 background = Image.new('RGB', (width, height), color=(255, 255, 255)) # 添加热搜图片,替代顶部像素的背景 background_image = Image.open('resource/hot_research.jpg') # 替换为你的背景图片 background.paste(background_image, (0, 0))#
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

接下来我们需要将文字绘制到图片上,这部分的难点主要是文字布局。

在对文字布局调整前,我们首先应该对字体进行配置,否则无法绘制。

line_height = 50 # 每行文字高度 num_lines = len(li) # 总行数 font_size = 30 # 字体大小 text_color = (0, 0, 0) # 文本颜色 background_color = (255, 255, 255) # 背景颜色 separator_color = (200, 200, 200) # 分隔符颜色 separator_height = 1 # 分隔符高度 image_height = num_lines * line_height # 图像高度 # 字体配置 draw = ImageDraw.Draw(background) font = ImageFont.truetype("resource/heiti.ttf", font_size) num_font = ImageFont.truetype("resource/SmileySans.ttf", font_size)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13

配置字体文件时需要提前将对应的字体ttf或者ttc文件放置于资源文件中,我选择黑体作为热搜标题字体,得意黑为编号与标签的字体,并对颜色和字体进行配置。

在配置完成后,我们即可进行绘制!

如果你有前端经验,接触过CSS,可以结合绝对定位来理解。

我们首先绘制第一行的时间信息,用time库获取当前时间,并绘制分隔符

time = datetime.now().strftime('20%y年 %m月 %d日 %H:%M %A') time_name = datetime.now().strftime('20%y年%m月%d日%H:%M') draw.text((130, 360), str(time), fill=(101, 109, 118), font=font,font_size=24) draw.rectangle([(0, 400), (width, 400+ separator_height)], fill=separator_color)
  • 1
  • 2
  • 3
  • 4

这块的重点就是对x轴和y轴数值的计算,这里的计算可以多调整尝试,或者精确的在画板中计算后填入。

文本的绘制就是循环遍历,每绘制一行后,y轴高度增加52。

# 逐行绘制文本和分隔符 y = 420 i = 1 for line in lines: # 绘制编号 draw.text((35,y-3),str(i), fill=(255,0,0),font=num_font) # 绘制文本 draw.text((130, y),line, fill=text_color, font=font) # 绘制热度 draw.text((680, y-3), label[i-1], fill=(255,0,0), font=num_font) y += line_height i +=1 # 绘制分隔符 draw.rectangle([(0, y-10), (width, y-10 + separator_height)], fill=separator_color) y += separator_height # 保存图像 try : background.save(f"archive/{time_name}.png") print("保存成功!") except: print("保存失败!!!")
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22

每一行的编号和文本只需要调整x轴的位置,就可以调整左右方向的位置,例如将编号固定在左侧35像素的位置,标题文本从135像素开始,是不是有种熟悉的感觉?就是CSS中left:130px的效果,或者padding-left:35px。

以下是绘图的完整代码:

#!/usr/bin/env python # -*- coding: UTF-8 -*- ''' @Project :Project Achive @File :image.py @IDE :PyCharm @Author :lingxiaotian @Date :2023/9/5 15:54 ''' import requests from datetime import datetime from PIL import Image, ImageDraw, ImageFont def hot_search(): url = 'https://weibo.com/ajax/side/hotSearch' response = requests.get(url) if response.status_code != 200: return None return response.json()['data'] def decoding(num): data = hot_search() if not data: print('获取微博热搜榜失败') return top = (f"置顶:{data['hotgov']['word'].strip('#')}") hot_li = [] hot_label = [] for i, rs in enumerate(data['realtime'][:num], 1): title = rs['word'] try: label = rs['label_name'] if label in ['新','爆','沸']: label = label else: label = '' except: label = '' # hot_li.append(f"{i}. {title} {label}") hot_li.append(f"{title}") hot_label.append(f"{label}") return hot_li,hot_label def img(li,label): # 创建图像 width= 750 height = 350+ 70 + len(li)*52 background = Image.new('RGB', (width, height), color=(255, 255, 255)) # 添加背景图片(如果需要替代顶部像素的背景) background_image = Image.open('resource/hot_research.jpg') # 替换为你的背景图片 background.paste(background_image, (0, 0)) line_height = 50 # 每行文字高度 num_lines = len(li) # 总行数 font_size = 30 # 字体大小 text_color = (0, 0, 0) # 文本颜色 background_color = (255, 255, 255) # 背景颜色 separator_color = (200, 200, 200) # 分隔符颜色 separator_height = 1 # 分隔符高度 image_height = num_lines * line_height # 图像高度 # 字体配置 draw = ImageDraw.Draw(background) font = ImageFont.truetype("resource/heiti.ttf", font_size) num_font = ImageFont.truetype("resource/SmileySans.ttf", font_size) # 生成文本列表 lines = li # 获取当前时间 time = datetime.now().strftime('20%y年 %m月 %d日 %H:%M %A') time_name = datetime.now().strftime('20%y年%m月%d日%H:%M') draw.text((130, 360), str(time), fill=(101, 109, 118), font=font,font_size=24) draw.rectangle([(0, 400), (width, 400+ separator_height)], fill=separator_color) # 逐行绘制文本和分隔符 y = 420 i = 1 for line in lines: # 绘制编号 draw.text((35,y-3),str(i), fill=(255,0,0),font=num_font) # 绘制文本 draw.text((130, y),line, fill=text_color, font=font) # 绘制热度 draw.text((680, y-3), label[i-1], fill=(255,0,0), font=num_font) y += line_height i +=1 # 绘制分隔符 draw.rectangle([(0, y-10), (width, y-10 + separator_height)], fill=separator_color) y += separator_height # 保存图像 try : background.save(f"archive/{time_name}.png") print("保存成功!") except: print("保存失败!!!") if __name__ == "__main__": num = 20 #获取热搜数 hot_li = decoding(num)[0] hot_label = decoding(num)[1] img(hot_li,hot_label)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73
  • 74
  • 75
  • 76
  • 77
  • 78
  • 79
  • 80
  • 81
  • 82
  • 83
  • 84
  • 85
  • 86
  • 87
  • 88
  • 89
  • 90
  • 91
  • 92
  • 93
  • 94
  • 95
  • 96
  • 97
  • 98
  • 99
  • 100
  • 101

3.2. selenium无头浏览器截图

相比于直接绘图,直接截图无疑是一种更加简单快捷的方法,而且能够实现原生的微博热搜的效果,操作也十分简单,那么手动截图的话我们固然会,但如何使用selenium进行截图就是本项目中的重点。

什么是selenium?

selenium是Pyhton爬虫中非常重要的一种方式,由于selenium是使用真实的浏览器来进行访问,因此可以绕过很多反爬措施,其次,selenium可以控制浏览器对网页内容进行点击,滚动,输入等多种操作,例如输入账号密码和验证码并登录,滚动屏幕获取ajax内容。

下面是一个直观的演示:

而selenium有两种运行模式,刚刚我们演示的是第一种模式,即展示浏览器界面的模式,我们可以看到浏览器的打开界面以及对网页的操作。

而无头浏览器顾名思义,即不弹出浏览器窗口,直接在后台进行操作。

那我们直接上手!

首先依然是配置相关设置,selenium是基于浏览器操作,因此首先需要保证电脑具有chromedrive

可以从官网下载与自己谷歌浏览器对应的版本 https://chromedriver.storage.googleapis.com/index.html

具体的配置教程不是本文讨论的重点,可以从互联网上参考相关教程,本文主要强调代码思想。

由于微博热搜的移动端界面的表现效果更好,因此我们需要模拟浏览器的UA和分辨率,模拟手机操作,并设置窗口大小,由此方可进入移动端界面,否则为PC端。

import time from datetime import datetime from selenium import webdriver from selenium.webdriver.chrome.options import Options # 配置浏览器选项 opts = Options() mobile_emulation = {"deviceMetrics": {"width": 375, "height": 667, "pixelRatio": 2.0},"userAgent": "Mozilla/5.0 (iPhone; CPU iPhone OS 13_2_3 like Mac OS X) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/13.0.3 Mobile/15E148 Safari/604.1 Edg/116.0.0.0"} opts.add_experimental_option("mobileEmulation", mobile_emulation) # opts.add_argument('--headless') # 启用无头模式 # 创建浏览器 driver = webdriver.Chrome(options=opts) driver.set_window_size(375, 750) # 窗口大小 name = datetime.now().strftime('20%y年%m月%d日%H:%M')
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

设置好后我们直接访问热搜榜url,并进行截图即可完成。

注意:由于打开网页后需要一定时间才会完全显示界面,因此设置了10秒钟的休眠,可以根据自己设备和网络情况具体调整时间。

# 导航到要截图的页面 url = 'https://s.weibo.com/top/summary?cate=realtimehot' driver.get(url) # 截取整个页面 print("正在运行,请稍后……") # time.sleep(10) screenshot = driver.get_screenshot_as_file(f'screenshot/{name}.png') # 关闭浏览器 driver.quit() print("运行完毕,请于文件夹中查看")
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

当然,直接截图的话不会完整,可以通过滚动窗口,截屏后将所有图片拼接,获取长截图。

要启动无头模式,可以直接在配置中加入opts.add_argument('--headless') 即可。


4. 总结

在本项目中,我们探讨了如何使用30行不到的代码创建一个微博热搜爬虫,意图强调的是爬虫方式的选择的重要性,并提出了一些拓展思路。

同样的使用selenium无头模式也可以通过不到30行代码实现对热榜的爬取,但仅有图片信息,难以对数据进行固化和分析,所以说不同的爬虫方式有不同的特点,而选择适合需求的方法至关重要。

感兴趣的小伙伴,完整代码和全套Python学习资料免费赠送,包含面试题、简历资料等具体看下方。

一、Python所有方向的学习路线

Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照下面的知识点去找对应的学习资源,保证自己学得较为全面。

img
img

二、Python必备开发工具

工具都帮大家整理好了,安装就可直接上手!img

三、最新Python学习笔记

当我学到一定基础,有自己的理解能力的时候,会去阅读一些前辈整理的书籍或者手写的笔记资料,这些笔记详细记载了他们对一些技术点的理解,这些理解是比较独到,可以学到不一样的思路。

img

四、Python视频合集

观看全面零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

img

五、实战案例

纸上得来终觉浅,要学会跟着视频一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

img

六、面试宝典

在这里插入图片描述

在这里插入图片描述

简历模板在这里插入图片描述
若有侵权,请联系删除
标签:
声明

1.本站遵循行业规范,任何转载的稿件都会明确标注作者和来源;2.本站的原创文章,请转载时务必注明文章作者和来源,不尊重原创的行为我们将追究责任;3.作者投稿可能会经我们编辑修改或补充。

在线投稿:投稿 站长QQ:1888636

后台-插件-广告管理-内容页尾部广告(手机)
关注我们

扫一扫关注我们,了解最新精彩内容

搜索
排行榜