使用python爬取百度热搜

前言

本文介绍使用request获取百度热搜的简单功能

一、requests是什么？

Python requests 是一个常用的 HTTP 请求库，可以方便地向网站发送 HTTP 请求，并获取响应结果。requests 模块比 urllib 模块更简洁。

二、使用步骤

1.引入库

使用 requests 发送 HTTP 请求需要先导入 requests 模块，同时为了解析及保存数据，我们也引入scrapy的Selector，pandas，sqlalchemy的create_engine ：

import requests
from scrapy import Selector
import pandas as pd
from sqlalchemy import create_engine
from datetime import datetime

2.获取页面数据

调用requests的get方法，传入指定的url地址，可获取相应的网页数据，对于有反爬设置的网站需要设置cookies及header，通常需要添加user-agent信息，模拟浏览器访问：

# 对于有反爬设置的网站需要设置cookies及header
cookies = {}
headers = {}

# 使用requests 读取网页
response = requests.get('https://top.baidu.com/board?tab=realtime', cookies=cookies, headers=headers)
html = response.text

3.使用xpath解析页面，获取词条列表信息

需要分析百度热搜页面，找到对应的页面元素路径，解析并获取指定的数据信息：

# 使用Selector解析页面内容
selector = Selector(text=html)

# 获取热搜列表
list = selector.xpath('//*[@id="sanRoot"]/main/div[2]/div/div[2]/div')

4.获取指定元素信息，添加到dataframe中

获取对应的热词排序，标题，内容，词频及生成当前时间，并添加到数据集中：

# 声明 DataFrame
df = pd.DataFrame(columns=['index', 'title', 'content', 'count', 'dtime'])
lst_hot_word = []
for item in list:
    # index
    index = item.xpath('./a/div[1]/text()').extract()[0]
    # title
    title = item.xpath('./div[2]/a/div[1]/text()').extract()[0]
    # content
    content = item.xpath('./div[2]/div[1]/text()').extract()[0]
    # count
    count = item.xpath('./div[1]/div[2]/text()').extract()[0]
    # 获取当前时间
    now = datetime.now()
    df.loc[len(df)] = [index, title, content, count, now]
print(df)

5.保存数据到指定的文件或数据库

根据需要将抓取的数据保存到数据库：

# 保存到指定文件
# df.to_csv("./test.csv")

# 创建数据库引擎，根据需要配置自己的数据库信息
engine = create_engine('mysql+pymysql://root:test@localhost:3306/demo')

# 将DataFrame保存到数据库
df.to_sql('hot_word', con=engine, index=False, if_exists='append')

总结

通过以上python代码，即可获取百度热搜词条信息，可以定时运行相应的脚本，定时抓取相应的热搜数据，后续可以进行分析应用