Python 詳解爬取并統(tǒng)計CSDN全站熱榜標題關(guān)鍵詞詞頻流程

更新時間：2021年11月10日 10:32:32 作者：劍客阿良_ALiang

讀萬卷書不如行萬里路，只學書上的理論是遠遠不夠的，只有在實戰(zhàn)中才能獲得能力的提升，本篇文章手把手帶你用Python爬取CSDN全站綜合熱榜標題，順便統(tǒng)計關(guān)鍵詞詞頻,大家可以在過程中查缺補漏，提升水平

前言

最近在出差，發(fā)現(xiàn)住的賓館居然有小強。所以出差無聊之際，寫了點爬蟲的代碼玩玩，問就是應(yīng)景。本篇文章主要是爬取CSDN全站綜合熱榜的100個標題，然后分詞提取關(guān)鍵詞，統(tǒng)計一下詞頻。

我想了下，對于其他博主還是有用的，可以看看什么標題可以上熱榜，就分享一下吧。順便把我解決各類問題的方法，說一說。

環(huán)境

使用的IDE為：spyder（有看著界面不習慣的，忍一下，不關(guān)鍵）

頁面爬取使用chromedriver，至于原因我后面會說。

分詞器：jieba

爬取頁面地址：https://blog.csdn.net/rank/list

爬蟲代碼

這里說一下為什么沒有用requests直接獲取頁面源碼，主要是因為該頁面并不能直接請求出源碼。而是通過頁面滾動到最下方，才可以顯示出全部的100個排名的文章。

所以我的思路是，使用chromedriver，然后執(zhí)行js實現(xiàn)滾動頁面到最下方。

這里需要說明一下chromedriver的下載，需要根據(jù)你google瀏覽器的版本來。我的筆記本事mac，可以點擊左上角的Chrome，再點擊關(guān)于Google Chrome看看自己的瀏覽器版本。

分享一下chromedriver的下載地址：google chrome driver下載地址

簡單說明一下driver的原理，就是模擬瀏覽器打開url的操作，就像我們手點一樣，具體原理改天可以再聊聊。

不廢話了，上爬蟲工具代碼

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Thu Nov  4 17:15:06 2021
@author: huyi
"""
 
from selenium import webdriver
import time
 
# =============================================================================
# 爬取動態(tài)下滑加載網(wǎng)頁
# =============================================================================
def pa(url):
    driver = webdriver.Chrome('/usr/local/bin/chromedriver')
    driver.get(url)
    js = '''
                let height = 0
        let interval = setInterval(() => {
            window.scrollTo({
                top: height,
                behavior: "smooth"
            });
            height += 500
        }, 500);
        setTimeout(() => {
            clearInterval(interval)
        }, 20000);
    '''
    driver.execute_script(js)
    time.sleep(20)
    source = driver.page_source
    driver.close()
    return source

代碼說明

1、代碼主要是一個工具方法，使用diver打開瀏覽器。然后通過js代碼，模擬向下滾動的操作。

2、根據(jù)你的網(wǎng)絡(luò)條件，里面的超時時間你可以調(diào)整。避免還沒有滾動到最下面就結(jié)束了，因為我賓館的網(wǎng)比較卡，所以設(shè)置的比較大。

3、返回頁面源碼，為了后面的xpath解析。

驗證一下

OK,已經(jīng)拿到了頁面源碼了。

關(guān)鍵詞提取代碼

我們把關(guān)鍵詞提取的方法也準備一下。不廢話，上代碼。

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Thu Nov  4 21:53:22 2021
@author: huyi
"""
 
 
import jieba.analyse
 
 
def get_key_word(sentence):
    result_dic = {}
    words_lis = jieba.analyse.extract_tags(
        sentence, topK=3, withWeight=True, allowPOS=())
    for word, flag in words_lis:
        if word in result_dic:
            result_dic[word] += 1
        else:
            result_dic[word] = 1
    return result_dic

代碼說明

1、簡單說明一下，方法取的是權(quán)重最高的3個詞，可以按照你的喜歡調(diào)整。

2、把相同的詞做一個計數(shù)，方便把100的標題關(guān)鍵詞詞頻統(tǒng)計用。

主程序代碼

主程序主要是將源碼中的標題，使用lxml進行元素提取，獲取標題。然后詞頻統(tǒng)計后輸出結(jié)果文本。

不廢話，上代碼。

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Thu Nov  4 14:01:38 2021
@author: huyi
"""
from lxml import etree
from tools.dynamic_page import pa
from tools.analyse_word import get_key_word
 
 
csdn_url = 'https://blog.csdn.net/rank/list'
source = etree.HTML(pa(csdn_url))
 
titles = source.xpath("http://div[@class='hosetitem-title']/a/text()")
key_word_dic = {}
for x in titles:
    if x:
        for k, v in get_key_word(x).items():
            if k.lower() in key_word_dic:
                key_word_dic[k.lower()] += v
            else:
                key_word_dic[k.lower()] = v
 
word_count_sort = sorted(key_word_dic.items(),
                         key=lambda x: x[1], reverse=True)
 
with open('result.txt', mode='w', encoding='utf-8') as f:
    for y in word_count_sort:
        f.write('{},{}\n'.format(y[0], y[1]))

代碼說明

1、xpath怎么取？google瀏覽器支持右鍵直接copy，但是還是建議了解一下xpath相關(guān)語法。

2、把英文單詞統(tǒng)一小寫，避免重復。

3、按照詞頻倒序排列輸出的，最多次數(shù)的在前面。

驗證結(jié)果