舞彩凤凰秦 发表于 2023-9-21 14:09:37

【爬虫实战】用python爬今日头条热榜TOP50榜单!

目录

[*]一、爬取目标
[*]二、爬取结果
[*]三、代码讲解
[*]四、技术总结
[*]五、演示视频
[*]六、附完整源码

一、爬取目标

您好!我是@马哥python说,一名10年程序猿。
今天分享一期爬虫案例,爬取的目标是:今日头条热榜的榜单数据。
打开今日头条 首页,在页面右侧会看到头条热榜,如下:

爬取以上6个关键字段,含:
热榜排名,热榜标题,热度值,热榜标签,热榜分类,热榜链接。
开发者模式分析:

二、爬取结果

爬取结果截图:

三、代码讲解

首先,导入需要用到的库:
import requests
import pandas as pd
import re定义一个请求头:(爬取目标较简单,一个User-agent即可)
# 请求头
h1 = {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/15.4 Safari/605.1.15',
}定义请求地址:
url = 'https://www.toutiao.com/hot-event/hot-board/?origin=toutiao_pc'用requests发送请求:
# 发送请求
response = requests.get(url, headers=h1)查看响应码并以json方式接收返回数据:
# 查看响应码
print(r.status_code)
# 接收返回数据
json_data = r.json()定义一些空列表,用于存放数据:
title_list = []# 热榜标题
value_list = []# 热度值
url_list = []# 热榜链接
category_list = []# 热榜分类
label_list = []# 热榜标签以"热榜标题"字段为例:
for data in json_data['data']:
        # 热榜标题
        title = data['Title']
        print('热榜标题:', title)
        title_list.append(title)其中,热榜链接比较特殊,接口中返回的url很长,形如:

可以看到,url中从?往后,都是不必要的请求参数。
所以,用正则表达式把?后面的全部删掉,提取出id,再进行拼接url,如下:
# 正则表达式提取出链接idurl3 = re.search(r"(?
页: [1]
查看完整版本: 【爬虫实战】用python爬今日头条热榜TOP50榜单!