【爬虫实战】用python爬今日头条热榜TOP50榜单！

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。

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。

打开今日头条首页，在页面右侧会看到头条热榜，并进行开发者模式分析：

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
1
2
3

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',
}
1
2
3
4

定义请求地址：

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

用requests发送请求：

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

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()
1
2
3
4

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
1
2
3
4
5

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)
1
2
3
4
5

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id
url3 = re.search(r"(?<=https:\/\/www\.toutiao\.com\/trending\/)\d+", url2).group(0)
# 拼接链接
url4 = 'https://www.toutiao.com/trending/' + str(url3)
1
2
3
4

最后，把所有字段存放的列表数据组成Dataframe格式：

# 把列表数据组装成Dataframe数据
df = pd.DataFrame(
	{
		'热榜排名': range(1, data_num + 1),  # 一共50条
		'热榜标题': title_list,
		'热度值': value_list,
		'热榜标签': label_list,
		'热榜分类': category_list,
		'热榜链接': url_list,
	}
)
1
2
3
4
5
6
7
8
9
10
11

进一步保存到csv文件里：

# 保存到csv文件
df.to_csv(result_file, header=True, index=False, encoding='utf_8_sig')
1
2

以上，核心逻辑讲解完毕。

代码中还含有：解析热度值、热榜标签、热榜分类、热榜链接字段等，详见文末完整代码。

四、技术总结

爬取技术流程：

1. requests 发送请求
2. json 解析数据
3. re 正则表达式提取文本
4. pandas 保存csv

五、演示视频

演示视频：
代码演示：用python爬头条热榜TOP50榜单！

六、附完整源码

附完整源码：【爬虫实战】用python爬今日头条热榜TOP50榜单!

---

我是@马哥python说，一名10年程序猿，持续分享python干货中！