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。
打开今日头条首页，在页面右侧会看到头条热榜，如下：
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。
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
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',
}
定义请求地址：
url = 'https://www.toutiao.com/hot-event/hot-board/?origin=toutiao_pc'
用requests发送请求：
# 发送请求
response = requests.get(url, headers=h1)
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()
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
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)
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)
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,
}
)
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')
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：
- requests 发送请求
- json 解析数据
- re 正则表达式提取文本
- 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！
