爬取微博热榜并将其存储为csv文件

秋名山码神

发布于 2023-10-16 14:27:09

2520

发布于 2023-10-16 14:27:09

前言

基于大数据技术的社交媒体文本情绪分析系统设计与实现，首先需要解决的就是数据的问题，我打算利用Python 语言的Scrapy、Beautiful Soup等工具抓取一段时间内新浪微博用户对于热点事件的博文之后，按照事件、时间等多种方式进行分类，接着利用正则表达式等工具过滤掉微博正文中的超链接、转发信息、表情符号、广告宣传和图片等无效信息之后，将处理完的文本进行手工标注，最终将标注的文本作为训练语料库。今天的主要工作量就是对数据的获取，进行简单的热榜爬虫、和热点爬虫，热榜爬虫代码进行公开，热点爬虫代码需要的欢迎私信有偿获取。

1. 热榜前50爬虫

所需库：

import requests
from bs4 import BeautifulSoup
import pandas as pd

新浪微博目标网站： url = ‘https://s.weibo.com/top/summary/’
cookie的获取： Cookie中包含以下字段：

SUB：用户身份认证信息，通常由数字和字母组成。
SUBP：用户身份认证信息，通常由数字和字母组成。
SINAGLOBAL：用户身份认证信息，通常由数字和字母组成。
_s_tentry：用户访问来源网站的信息。

cookie = '你自己的cookie'

常规爬虫代码

# 获取网页响应，对网页响应进行编码
response = requests.get(url, headers=headers)
response.encoding = response.apparent_encoding
html = response.text

# 将网页文本使用Beautifulsoup解析
soup = BeautifulSoup(html, 'html.parser')

# allnews存放热搜前50的新闻和热度,形式为{'新闻':'热度'}字典
all_news = {}

微博热榜分析

# 定位网页元素，观察到热搜新闻位于'td'元素下，class为'td-02'
for news in soup.find_all('td', class_='td-02')[1:]:
    text = news.text.split('\n')[1].strip()
    if news.text.split('\n')[2].strip() == '':
        continue
    elif news.text.split('\n')[2].strip()[0].isdigit():
        hot = news.text.split('\n')[2].strip()
    else:
        hot = news.text.split('\n')[2].strip()[2:]
    all_news[text] = hot

存储为csv

# 将字典转为DataFrame，并将DataFrame保存为csv文件
df = pd.DataFrame.from_dict(all_news, orient='index', columns=['热度'])
df.index.name = '新闻'
df.to_csv('weibo_hot.csv', encoding='utf-8-sig')