【爬虫实战】用python爬今日头条热榜TOP50榜单！

天雷

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：

1. import requests
2. import pandas as pd
3. import re

复制代码

定义一个请求头：（爬取目标较简单，一个User-agent即可）

1. # 请求头
2. h1 = {
3.         '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',
4. }

复制代码

定义请求地址：

1. url = 'https://www.toutiao.com/hot-event/hot-board/?origin=toutiao_pc'

复制代码

用requests发送请求：

1. # 发送请求
2. response = requests.get(url, headers=h1)

复制代码

查看响应码并以json方式接收返回数据：

1. # 查看响应码
2. print(r.status_code)
3. # 接收返回数据
4. json_data = r.json()

复制代码

定义一些空列表，用于存放数据：

1. title_list = []  # 热榜标题
2. value_list = []  # 热度值
3. url_list = []  # 热榜链接
4. category_list = []  # 热榜分类
5. label_list = []  # 热榜标签

复制代码

以"热榜标题"字段为例：

1. for data in json_data['data']:
2.         # 热榜标题
3.         title = data['Title']
4.         print('热榜标题：', title)
5.         title_list.append(title)

复制代码

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：
[code]# 正则表达式提取出链接idurl3 = re.search(r"(?