爬取微博热搜top50

一、主题式网络爬虫设计方案（15分）

1.主题式网络爬虫名称：爬取微博热搜top50

2.主题式网络爬虫的内容与数据特征分析：排名 关键词 点击量 

3.主题式网络爬虫设计方案概述：

 先分析页面 对比源代码找出规律，然后对网页进行爬取，再对爬取的数据进行分析和可视化。

二、主题页面的结构特征分析（15分）

1.主题页面的结构特征分析：

2.Htmls页面解析：

右击查看网页源代码

3.节点（标签）查找方法与遍历方法：

（1）热搜的名字都在<td class="td-02">的子节点<a>里

（2）热搜的排名都在<td class=td-01 ranktop>里（置顶热搜没有排名）

（3）热搜的访问量都在<td class="td-02">的子节点<span>里

 

三、网络爬虫程序设计

1.爬取数据

###导入模块
import requests
from lxml import etree

###网址
url="https://s.weibo.com/top/summary?Refer=top_hot&topnav=1&wvr=6"
###模拟浏览器
header={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'}###伪装爬虫

###主函数
def main():
    ###获取html页面
    html=etree.HTML(requests.get(url,headers=header).text)
    rank=html.xpath('//td[@class="td-01 ranktop"]/text()')
    affair=html.xpath('//td[@class="td-02"]/a/text()')
    view = html.xpath('//td[@class="td-02"]/span/text()')
    top=affair[0]
    affair=affair[1:]
    print('{0:<10}\t{1:<40}'.format("top",top))
    for i in range(0, len(affair)):
        print("{0:<10}\t{1:{3}<30}\t{2:{3}>20}".format(rank[i],affair[i],view[i],chr(12288)))
main()

爬取结果：

将top5存入Excel表格中

2.对数据进行清洗和处理：

import pandas as pd
df = pd.read_excel('weibotop5.xlsx')
df.head()``

结果如下：

3.数据分析与可视化

import matplotlib.pyplot as plt
plt.figure(figsize=(6,4))
plt.plot([1,2,3,4,5],[23.887431,8.304191,7.992173,7.264128,6.110506],'go-',linewidth=2)
plt.rcParams['font.sans-serif']=['SimHei']
plt.legend()
plt.xlabel('paiming')
plt.ylabel('dianjiliang/baiwan')
plt.title('weibo top5')
plt.show()

结果如下：

import matplotlib.pyplot as plt
plt.figure(figsize=(6,4))
x=[1,2,3,4,5]
y=[23.887431,8.304191,7.992173,7.264128,6.110506]
plt.bar(x,y,width=0.5,align='center',color='r')
plt.xlabel('paiming')
plt.ylabel('dianjiliang/baiwan')
plt.title('weibo top5')
plt.show()

结果如下：

 四、结论

1.经过对主题分析和可视化可以得知热搜的排行与差异

2.本次作业让我学习了学习了几个新的库