爬取百度热搜榜

---

---

前言

每次打开浏览器，我基本上都会看一下百度热搜榜。这篇我就写一下如何获取百度的热搜榜信息吧。

如果到最后看的云里雾里的，请先看我写的上一篇《Python 爬虫之简单的爬虫（一）》https://blog.csdn.net/weixin_57061292/article/details/135038581

---

一、展示哪些东西

1. 其实每个标题背后有很多数据类型，我挑一些有用的东西展示了出来。

2. 其中有标记 五角星 的标题含义是看下图：

---

二、基本流程

主要是以下几部分（下文基本会按照这个步骤来写）：

• 导入需要的库
• 要测试的网页
• 生成代理，请求网页
• 请求成功，解析网页，找到并保存想要的东西
• 请求失败，返回相应状态码

---

三、前期数据获取

1.引入库

代码如下：

# 将这个编码后的链接解码回原始的URL格式
from urllib.parse import unquote# 用于发送 HTTP 请求
from bs4 import BeautifulSoup# 这是一个用于解析 HTML 和 XML 文档
import requests# 用于处理下面获取的数据
import json

记得看注释哦

---

2.请求解析获取

代码如下：

# 目标网页地址
url = 'https://www.baidu.com/'# 定义请求头的浏览器代理，伪装成浏览器
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) ''AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.5735.289 Safari/537.36','host': 'www.baidu.com'}# 请求网页
response = requests.get(url, headers=headers)
print('status_code：', response.status_code)# 解析 HTML 文档
soup = BeautifulSoup(response.text, "lxml")# 获取相应标签里的内容
textarea = soup.find("textarea", id="hotsearch_data")

代码不多就三操作合一啦。

其它代码还好说，主要是最后一行代码，看下图应该就明白了（获取的也就是这个标签下的内容）。

---

四、后期数据处理

1.获取保存

代码如下：

# 进行切片处理无用信息，并用json格式读取数据
data_str = textarea.text.split('>')[-1]  # 作用是把标签去掉，只保留热榜数据
data = json.loads(data_str)# 打开一个文本文档并写入
with open('hotsearch.txt', 'w', encoding='utf-8') as f:# 遍历这些数据for item in data["hotsearch"]:# 获取标题、链接、排名信息card_title = item["card_title"]linkurl = item["linkurl"]index = item["index"]hotTags = item["hotTags"]heat_score = item["heat_score"]# 写入文件if hotTags == '3':    # 表示这个标题当前有《热》的红色角标f.write(f'标题：{card_title} \u2605 \u2605 \u2605 \u2605 \u2605 \n')else:f.write(f'标题：{card_title}\n')f.write(f'链接：{unquote(linkurl)}\n')f.write(f'热度：{heat_score}\n')f.write(f'排名：{index}\n\n')

• 第一步：进行切片处理，把无用信息删掉，并用json格式读取数据。用json方便后期的数据处理，减少难度。
  
• 第二步：打开先打开一个文本文档，为了后面一边遍历数据内容一边写入文件。
• 第三步：就像开头展示的，把那五种数据类型获取到。
• 第四步：把获取到数据整理一下写入到文件中。
  

---

总结

写点爬虫小程序来替自己搜一些东西还挺有趣的。以前需要自己手动花老长时间从网上搜，现在程序刷的一下就好了。