python爬虫微博热搜_微博热搜榜数据爬虫采集 - 八爪鱼采集器
采集场景
在微博热搜榜(https://s.weibo.com/top/summary?Refer=top_hot&topnav=1&wvr=6)可实时查看微博热搜排名、热搜关键词和热搜数。点击每个热搜关键词可进入与其相关的微博列表页。我们需要采集以上数据。
采集字段
微博热搜排名、热搜关键词、热搜数、账号、发布内容、发布时间、来源、转发数、评论数、点赞数、采集时间和页面网址等字段。
鼠标放到图片上,右键,选择【在新标签页中打开图片】可查看高清大图
下文其他图片同理
采集结果
采集结果可导出为Excel、CSV、HTML、数据库等多种格式。导出为Excel示例:
教程说明
本篇制作时间:2020/4/26八爪鱼版本:V8.1.8
如果因网页改版造成网址或步骤无效,无法收集到目标数据,请联系官方客服,我们将及时修正。
采集步骤
步骤一、打开网页,使用【智能识别】生成规则
步骤二、创建【循环列表】,采集所有微博列表中的数据
步骤三、修改【循环】的XPath,以去掉多余列表
步骤四、修改字段的XPath,以精准采集所有字段
步骤五、创建【循环-点击元素】,展开微博全文
步骤六、启动采集
以下为具体步骤:
步骤一、打开网页,使用【智能识别】生成规则
1、自动识别热搜词列表
在首页输入微博热搜榜网址 https://s.weibo.com/top/summary?Refer=top_hot&topnav=1&wvr=6 ,点击【开始采集】,八爪鱼自动打开网页。
点击【自动识别网页】,成功识别了微博热搜榜中的列表数据。
2、点击每个热搜词链接,跳转至其相关的微博列表页
在【操作提示】框中勾选「点击列表中 关键词_链接 并采集下一级页面」,以跳转至其相关的微博列表页。
3、生成采集流程
点击【生成采集设置】,将自动识别出的列表数据和翻页,生成为采集流程,方便我们使用和修改。
同时会跳转到第一个热搜词相关的微博列表页。
步骤二、创建【循环列表】,采集所有微博列表中的数据
1、创建【循环列表】
通过以下连续3步,创建【循环列表】,采集所有微博列表中的数据
① 选中页面上1个微博列表,包含所有字段(微博这个网页比较特殊,无法直接选中整块微博列表,可以先选中较小的范围,然后在操作提示框中不断点击
按钮,直至选中的区域扩大至整块列表,示例中点击了2次
按钮)
② 继续选中页面上1个微博列表,包含所有字段(同①)
③ 点击【采集以下元素文本】
特别说明:
a. 经过以上连续3步,【循环-提取数据】创建完成。【循环】中的项,对应着页面上所有微博列表。但是这样会将整个列表作为一个字段提取下来,如果需要分开提取字段,请看下面的操作。
b. 为何通过以上3步,可建立【循环-提取数据】?详情点击查
c. 选中一个范围后,在操作提示框中,点击
按钮,可扩大一层选中的层级。可连续多次点击,每点一次,选中范围扩大一个层级。
2、提取微博列表中的字段
在循环的当前项中(用红色框框起来),选中文本,在操作提示框中,选择【采集该元素文本】。
文本类字段都可这样提取,示例中提取了账号、发布内容、发布时间、来源、转发数、评论数、点赞数、当前采集时间、页面网址 等字段。
特别说明:
a. 请注意,一定要在循环的当前项中(当前项会用红色框框起来)提取字段,才能与循环形成联动。否则,将重复采集某一条特定数据,无法与循环联动。
3、提取特殊字段,编辑字段
在【当前数据页面预览】中,点击 【+】号按钮,提取采集时间和页面网址。
进入【提取列表数据】设置页面,可删除多余字段,修改字段名,移动字段顺序等。
4、格式化数据
【转发数】和【评论数】这2个字段比较特殊,默认提取的内容与表头有重复的部分,可通过格式化数据去掉重复部分。
如果不介意重复,可跳过此步骤。
【转发数】格式化:点击字段后的
按钮,选择【格式化数据】→ 点击【添加步骤】→【正则表达式匹配】,输入正则表达式 [0-9]+,然后保存。就只匹配了数字,去除掉前面的【转发】。
【评论数】格式化过程同上。
特别说明:
a.什么是数据格式化?数据采集下来之后,有时候格式不是我们想要的,或者只想从一段数据里提取特定数据,可通过八爪鱼的【格式化数据】功能实现。详情点击查看
步骤三、修改【循环】的XPath,以去掉多余列表
默认生成的【循环】,会将右侧的【话题贡献排行榜】、【关于】、【热搜榜】和【搜索历史】也定位到,需手动修改XPath将其去掉。
进入【循环列表1】设置页面,修改XPath为://DIV[@class='card-wrap'][@mid] ,然后保存。
特别说明:
a. 如何写精准定位到目标微博列表的XPath?这需要一定的XPath知识。点击查看 XPath学习与实例教程 。
步骤四、修改字段的XPath,以精准采集所有字段
自动生成的字段的XPath,无法精准定位到所有微博中的字段,会漏数据。我们需手动修改字段的定位XPath。
以【账号】为例。在【账号】字段后选择【自定义定位元素方式】,修改XPath为: //div[@class="info"]/div/a[@class="name"],然后保存。
其他字段的XPath修改方法同上,各XPath为:
【发布内容】://div[@class="content"]/p[@class="txt"][last()]
【发布时间】://div[@class="content"]/p[@class="from"]/a[1]
【来自】://div[@class="content"]/p[@class="from"]/a[2]
【转发数】://div[@class="card"]//ul/li/a[contains(text(),"转发")]
【评论数】://div[@class="card"]//ul/li/a[contains(text(),"评论")]
【点赞数】://div[@class="card"]//ul/li/a[@title="赞"]/em
特别说明:
a. 为什么默认的XPath,无法精准定位到所有微博中的字段?这是因为,微博列表分为热门博文和非非热门博文2种,我们在热门博文中做的字段提取,不适用非热门博文。我们需要写一条XPath,使之在热门博文和非热门博文中,都能提取到目标字段。
b. 如何写精准定位到所有字段的XPath?这需要一定的XPath知识。点击查看。
步骤五、创建【循环-点击元素】,展开微博全文
默认如果微博字数过多,会被折叠起来。如果无需展开微博全文,可跳过此步骤。
如果需要展开微博全文,请按以下步骤操作:
1、创建【循环】
在【点击列表链接】后添加一个【循环】。
进入【循环】设置页面,选择循环方式为【不固定元素列表】,填入XPath://p/a[contains(text(),"展开全文")]后保存。
2、创建【点击元素】,并与【循环】联动起来
在【循环】后添加一个【点击元素】。
进入【点击元素】设置页面,勾选【点击当前循环中设置的元素】,并设置【Ajax超时】2秒,设置完成后保存。
特别说明:
a. 经过以上几步操作后,会创建一个【循环-点击元素】,把页面中所有的【展开全文】全点开,以展开微博全文。全部展开后,再进行微博列表数据提取。
b. 如何写定位所有【展开全文】按钮的XPath?这需要一定的XPath知识。点击查看。
c. 为什么要设置【Ajax超时】?因为【展开全文】使用了Ajax技术,需设置【Ajax超时】。点击查看
步骤六、启动采集
1、单击【采集】并【启动本地采集】。启动后八爪鱼开始自动采集数据。
特别说明:
a. 【本地采集】是使用自己的电脑进行采集,【云采集】是使用八爪鱼提供的云服务器采集,点击查看本地采集与云采集详解。
2、采集完成后,选择合适的导出方式导出数据。支持导出为Excel、CSV、HTML、数据库等。这里导出为Excel。
数据示例:
拓展阅读
1、在未登录情况下,只可采集第一页微博列表数据,这是网站本身的限制。
2、如果需要采集更多页的微博,请登录后再采集。
3、第一页会显示当前时间下的最新博文。可通过八爪鱼云采集,定时采集(最小的定时间隔为1分钟)最新的热搜词及其相关博文。点击查看
作者:Vivi
编辑:Aisling
python爬虫微博热搜_微博热搜榜数据爬虫采集 - 八爪鱼采集器相关推荐
- java爬虫黑马百度云,Java爬虫小Demo java爬取百度风云榜数据
Java爬虫小Demo java爬取百度风云榜数据 很简单的一个小例子,使用到了java的爬虫框架 jsoup ,一起啦看看实现的方法吧! 相关推荐:Python爬虫实战 python爬虫爬取百度风云 ...
- python提高导入数据库速度_提高从MongoDB导入数据速度
Python编写爬虫,用的是Scrapy框架,将数据存储到了本机的MongoDB数据库上.导数据的时候发现数据的转化,速度有点慢. from pymongo import MongoClient #建 ...
- python如何设计爬虫界面软件_Python+PyQt5设计B站视频数据爬虫小程序
本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理. 以下文章来源于菜J学Python ,作者J哥 前言 目前,市场上有大量 Python图形用户界面( ...
- python抓取汤不热视频_你们想要的 Tumblr 爬虫
好几个月前写的了,写的比较挫. 并没有写成爬取一个博客的所有内容,本来是用来网站的,如果要爬所有内容,会让用户等待太久. # -*- coding=utf-8 -*- from threading i ...
- python增加微博阅读量_微博如何增加阅读量
如果爱 对于微博,我很认同的一个观点就是:如果爱,请深爱. 做微博的初心一定是"喜欢",喜欢别人认可你的文字,喜欢别人赞同你的观点,喜欢那种被认可的感觉,就是很多人一直做下去的动力 ...
- python微博文本分析_微博评论挖掘之Bert实战应用案例-文本情感分类
Bert模型全称Bidirectional Encoder Representations from Transformers,主要分为两个部分:1训练语言模型(language model)的预训练 ...
- 微博 用户画像_微博/抖音/快手/小红书/B站内容营销和粉丝画像研究
用户画像数据在市面上最难获得的一批数据,因为就算大部分咨询公司会对外公开趋势数据和大的宏观数据,一般不会公开用户画像数据,因为这部分的含金量最大,可以用于广告的投放,新媒体的预算分配,个人创业者平台的 ...
- 双机热备_双机热备软件哪个好?双机热备软件推荐
服务器维护和管理是企业健康稳定运营的一项重要工作,而双机热备可以提供服务器的高可用性.但是成熟好用的双机热备软件有哪些呢?下面就给大家推荐几款. 微软MSCS MSCS(Microsoft Clust ...
- python网络爬虫网易云音乐_手把手教你写网络爬虫(1):网易云音乐歌单
大家好,<手把手教你写网络爬虫>连载开始了!在笔者的职业生涯中,几乎没有发现像网络爬虫这样的编程实践,可以同时吸引程序员和门外汉的注意.本文由浅入深的把爬虫技术和盘托出,为初学者提供一种轻 ...
- java 热词_一个热词推荐的简单实现
为什么想做这个东西 一直好奇像亚马逊这类网站的搜索是如何做到推荐的,最近刚好看到一篇文章:Redis 与搜索热词推荐,然而只写了思路.所以,就是想自己实现一个. 先上个效果图,再聊: P.S. 按四年 ...
最新文章
- golang copy函数
- JQuery中click() 和onclick()区别
- 7天学会python_7天学会Python最佳可视化工具Seaborn(五):结构化展示多维数据
- HDU 5914 Triangle 数学找规律
- ROS笔记(36) 避障运动规划
- 使用五种方法获取文件扩展名
- NYOJ4 - ASCII码排序
- shell 选择对话框
- 提高网站性能之 —— 减少图片HTTP 请求的方案
- 多元函数四则运算的一阶微分公式的存在性与性质
- GAT1400---基于libcurl库的开发
- wps计算机打印双面输出,如何在电脑wps软件内设置双面打印
- latex 长表格中放入多行公式
- 自制H5页面工具盘点 宣传/相册/邀请函
- QoS---QoS服务模型、影响网络质量的因素
- Google SketchUp For Dummies
- orange's一个操作系统的实现--学习过程 第三章:a 为什么需要认识IA32架构IntelCPU保护模式
- 读书笔记--Java核心技术--高级特征
- 解析错误:$%7BpageContext.request.contextPath%7D
- html video标签canplay,HTML oncanplay事件用法及代码示例