Python|30行代码实现微博热榜爬虫（及可视化进阶）

1. 项目简介

当你想要跟踪微博的热门话题时，通过编写一个Python爬虫，来获取微博热搜榜单上的实时数据，并将其可视化展示出来，通过邮件或QQ机器人将其推送，亦可以将其存档，用以保留不同时期的舆论热点。

此外，排行榜项目一向是学习Python爬虫时必备的练手项目，通过本项目，可以学习如何轻松制作仿微博热搜结果的图片、学习基础的代码能力以及相关的数据可视化，数据推送等多方面知识。

该项目主要思路：

1. 寻找热搜榜数据接口（获取数据）
2. 解析获取的数据提取热搜话题（格式化数据）
3. 使用Pillow库创建一个图像，然后将话题绘制到图像上（数据展示）

此外，还有更多的进阶思路，在此处抛砖引玉：

• 使用selenium库无头浏览器进行截图，获取原生热榜截图
• 引入邮件库，定期向邮箱中推送爬取的结果
• 部署到服务器或设置定时任务，整理微博热搜库到Excel或其他存储结构
• 获取某一时间段的热搜并生成词云进行分析
• 使用nonebot库将其制作为QQ/社交软件机器人插件

2. 项目实现

2.1. 数据获取

在对一个网站或网页进行爬虫时，选择正确的方法往往能够事半功倍，因此观察网站结构和网站提供的各种API就非常重要，下面我们将举例对不用方法进行分析。

2.1.1. 直接从网页上抓取

顾名思义，该方法就是通过直接分析网页页面，抓取到网页内容。

例如在本例中，可以获取到热搜本页的html页面，获取其

元素



利用Xpath或者beautifulsoup对html页面进行解析，获取到数据后再格式化。

例如，使用xpath获取到html对象后，对其进行解析

import requestsfrom lxml import html# 发送HTTP请求并获取页面内容url = "https://s.weibo.com/top/summary" />

这是一种通用的，直观的爬虫方式，但存在几个问题。

1. 需要伪装请求头，特别是cookie，否则返回的页面为空
2. cookie一旦过期，需要重新获取，或者根据cookie内容的规律设置变量
3. 获取内容时比较复杂

因此笔者一直强调在爬取页面时先要多观察，找到数据接口比直接爬取页面来说要方便的多。

2.1.2. 从数据接口抓取

微博开放平台提供了众多接口，微博热搜拥有自己的API接口，其url为：https://weibo.com/ajax/side/hotSearch



这个接口直接get后就会返回一个json文件。

这种方法无需设置请求头，无需设置cookie！十分方便快捷！

其文件结构如图：

第一个为置顶热搜，后面的列表为此时的热搜排行，包含标题、热度、标签等内容。



据此，我们就可以开始动手了，我们直接通过这个API请求到json文件结果，并作为函数返回

#引入requests库import requests# 获取json文件def hot_search():url = 'https://weibo.com/ajax/side/hotSearch'response = requests.get(url)if response.status_code != 200:return Nonereturn response.json()['data']

这样，我们就得到了微博热搜的数据文件。

---

2.2. 数据解析

2.2.1. 基础代码

json文件是非常好的数据载体，它可以作为字典格式进行数据的读取。

我们在得到数据源后，就可以开始着手进行解析。

我们写一个main()函数，并调用hot_search()函数获取数据源

def main(num):data = hot_search()if not data:print('获取微博热搜榜失败')returnprint(f"置顶:{data['hotgov']['word'].strip('#')}")for i, rs in enumerate(data['realtime'][:num], 1):title = rs['word']try:label = rs['label_name']if label in ['新','爆','沸']:label = labelelse:label = ''except:label = '' print(f"{i}. {title} {label}")if __name__ == '__main__':num = 20 #获取热搜的数量main(num)

由于置顶热搜与普通热搜有所不同，我们先读取置顶热搜。

后面通过遍历即可获得每一条热搜的信息，其中变量num代表获取热搜的数量，可以传递参数控制。

运行后如图所示：



2.2.2. 拓展代码

可以看到，我们已经成功的实现了解析的功能，将热搜解析为文本，并选取了标题和热度标签两个主要内容。

当然，也可以提取"raw_hot" 键中对应的热度，即热搜榜中的搜索热度。



加上这个数据后，结果又缺少了什么，没错，是时间，微博热搜都是具有时效性的，所以我们应该为其加入时间显示。

from datetime import datetimeprint(datetime.now().strftime('微博热搜榜 20%y年%m月%d日 %H:%M'))

加入上述代码后，运行结果如下：



但是依然缺少了些什么，例如我们对某个热搜感兴趣，想进一步浏览相关信息，那么就需要链接。

为此，我们首先应该观察在热搜榜点击后的链接结构。



点击链接后url为：https://s.weibo.com/weibo" />不难发现，其url组合为：https://s.weibo.com/weibo?q=+热搜标题+&Refer=top等后缀

由于url并不能为中文，因此在链接中会呈现为类似8%8C%85%E这样的编码。

如果我们要实现对url的组合，首先应该对中文字符串进行转码。

为此需要引入urllib库，对中文转码，代码如下。

from urllib.parse import quotelink = (f"链接：https://s.weibo.com/weibo?q={quote(title)}&Refer=top")print(f"{i}. {title} {label} ")

运行后结果如图：



我们随意点击链接进行测试，发现可以正常进行搜索。



一点思路…

此外，还可以将爬取到的结果保存到Excel表格中，并设置定期任务，形成一个月的热搜表格

可以对其进行进行词频分析，生成词云等可视化分析。

3. 进阶操作

3.1. pillow绘图

在上面的基础代码中，我们已经实现了获取微博热搜的文字信息，如果我们想要更直观的，更友好的展示界面，就需要对其进行可视化，在本例中我们将其生成为如下的图片来进行展示。



由于我们绘图的基础是本文前一部分的代码内容，我们只需要新增一个函数来实现绘图功能，并不影响基础代码。

这也是程序中非常重要的模块化思想，同样的还有面向对象中的封装，都是为了便于后期对功能的增加和更改。

下面是基础代码部分，我们只去掉了部分输出，并为函数增加了返回值。

import requestsfrom datetime import datetimedef hot_search():url = 'https://weibo.com/ajax/side/hotSearch'response = requests.get(url)if response.status_code != 200:return Nonereturn response.json()['data']def decoding(num):data = hot_search()if not data:print('获取微博热搜榜失败')returntop = (f"置顶:{data['hotgov']['word'].strip('#')}")hot_li = []hot_label = []for i, rs in enumerate(data['realtime'][:num], 1):title = rs['word']try:label = rs['label_name']if label in ['新','爆','沸']:label = labelelse:label = ''except:label = ''# hot_li.append(f"{i}. {title} {label}")hot_li.append(f"{title}")hot_label.append(f"{label}")return hot_li,hot_label

接下来就是我们的主程序，对结果进行绘图

首先我们需要引入PIL库进行绘图。

from PIL import Image, ImageDraw, ImageFont

PIL绘图的原理先创建一个指定的画板，然后通过对坐标轴X和Y轴的调整实现内容的布局。

我们是思路是首先创建一个与微博热搜图片等宽的白色幕布，然后为每行内容分配50像素的高度，根据获取的热搜数量计算出幕布的高度。



我们写出此部分的代码

def img():# 创建图像，设置高度和宽度width= 750height = 350+ 70 + len(li)*52background = Image.new('RGB', (width, height), color=(255, 255, 255))# 添加热搜图片，替代顶部像素的背景background_image = Image.open('resource/hot_research.jpg')# 替换为你的背景图片background.paste(background_image, (0, 0))#

接下来我们需要将文字绘制到图片上，这部分的难点主要是文字布局。

在对文字布局调整前，我们首先应该对字体进行配置，否则无法绘制。

line_height = 50# 每行文字高度num_lines = len(li) # 总行数font_size = 30# 字体大小text_color = (0, 0, 0)# 文本颜色background_color = (255, 255, 255)# 背景颜色separator_color = (200, 200, 200)# 分隔符颜色separator_height = 1# 分隔符高度image_height = num_lines * line_height# 图像高度# 字体配置draw = ImageDraw.Draw(background)font = ImageFont.truetype("resource/heiti.ttf", font_size)num_font = ImageFont.truetype("resource/SmileySans.ttf", font_size)

配置字体文件时需要提前将对应的字体ttf或者ttc文件放置于资源文件中，我选择黑体作为热搜标题字体，得意黑为编号与标签的字体，并对颜色和字体进行配置。



在配置完成后，我们即可进行绘制！

如果你有前端经验，接触过CSS，可以结合绝对定位来理解。

我们首先绘制第一行的时间信息，用time库获取当前时间，并绘制分隔符

time = datetime.now().strftime('20%y年 %m月 %d日 %H:%M%A')time_name = datetime.now().strftime('20%y年%m月%d日%H:%M')draw.text((130, 360), str(time), fill=(101, 109, 118), font=font,font_size=24)draw.rectangle([(0, 400), (width, 400+ separator_height)], fill=separator_color)



这块的重点就是对x轴和y轴数值的计算，这里的计算可以多调整尝试，或者精确的在画板中计算后填入。

文本的绘制就是循环遍历，每绘制一行后，y轴高度增加52。

# 逐行绘制文本和分隔符y = 420i = 1for line in lines:# 绘制编号draw.text((35,y-3),str(i), fill=(255,0,0),font=num_font)# 绘制文本draw.text((130, y),line, fill=text_color, font=font)# 绘制热度draw.text((680, y-3), label[i-1], fill=(255,0,0), font=num_font)y += line_heighti +=1# 绘制分隔符draw.rectangle([(0, y-10), (width, y-10 + separator_height)], fill=separator_color)y += separator_height# 保存图像try :background.save(f"archive/{time_name}.png")print("保存成功！")except:print("保存失败！！！")

每一行的编号和文本只需要调整x轴的位置，就可以调整左右方向的位置，例如将编号固定在左侧35像素的位置，标题文本从135像素开始，是不是有种熟悉的感觉？就是CSS中left:130px的效果，或者padding-left:35px。

以下是绘图的完整代码：

#!/usr/bin/env python# -*- coding: UTF-8 -*-'''@Project ：Project Achive @File：image.py@IDE ：PyCharm @Author：lingxiaotian@Date：2023/9/5 15:54 '''import requestsfrom datetime import datetimefrom PIL import Image, ImageDraw, ImageFontdef hot_search():url = 'https://weibo.com/ajax/side/hotSearch'response = requests.get(url)if response.status_code != 200:return Nonereturn response.json()['data']def decoding(num):data = hot_search()if not data:print('获取微博热搜榜失败')returntop = (f"置顶:{data['hotgov']['word'].strip('#')}")hot_li = []hot_label = []for i, rs in enumerate(data['realtime'][:num], 1):title = rs['word']try:label = rs['label_name']if label in ['新','爆','沸']:label = labelelse:label = ''except:label = ''# hot_li.append(f"{i}. {title} {label}")hot_li.append(f"{title}")hot_label.append(f"{label}")return hot_li,hot_labeldef img(li,label):# 创建图像width= 750height = 350+ 70 + len(li)*52background = Image.new('RGB', (width, height), color=(255, 255, 255))# 添加背景图片（如果需要替代顶部像素的背景）background_image = Image.open('resource/hot_research.jpg')# 替换为你的背景图片background.paste(background_image, (0, 0))line_height = 50# 每行文字高度num_lines = len(li) # 总行数font_size = 30# 字体大小text_color = (0, 0, 0)# 文本颜色background_color = (255, 255, 255)# 背景颜色separator_color = (200, 200, 200)# 分隔符颜色separator_height = 1# 分隔符高度image_height = num_lines * line_height# 图像高度# 字体配置draw = ImageDraw.Draw(background)font = ImageFont.truetype("resource/heiti.ttf", font_size)num_font = ImageFont.truetype("resource/SmileySans.ttf", font_size)# 生成文本列表lines = li# 获取当前时间time = datetime.now().strftime('20%y年 %m月 %d日 %H:%M%A')time_name = datetime.now().strftime('20%y年%m月%d日%H:%M')draw.text((130, 360), str(time), fill=(101, 109, 118), font=font,font_size=24)draw.rectangle([(0, 400), (width, 400+ separator_height)], fill=separator_color)# 逐行绘制文本和分隔符y = 420i = 1for line in lines:# 绘制编号draw.text((35,y-3),str(i), fill=(255,0,0),font=num_font)# 绘制文本draw.text((130, y),line, fill=text_color, font=font)# 绘制热度draw.text((680, y-3), label[i-1], fill=(255,0,0), font=num_font)y += line_heighti +=1# 绘制分隔符draw.rectangle([(0, y-10), (width, y-10 + separator_height)], fill=separator_color)y += separator_height# 保存图像try :background.save(f"archive/{time_name}.png")print("保存成功！")except:print("保存失败！！！")if __name__ == "__main__":num = 20 #获取热搜数hot_li = decoding(num)[0]hot_label = decoding(num)[1]img(hot_li,hot_label)

---

3.2. selenium无头浏览器截图

相比于直接绘图，直接截图无疑是一种更加简单快捷的方法，而且能够实现原生的微博热搜的效果，操作也十分简单，那么手动截图的话我们固然会，但如何使用selenium进行截图就是本项目中的重点。

什么是selenium？

selenium是Pyhton爬虫中非常重要的一种方式，由于selenium是使用真实的浏览器来进行访问，因此可以绕过很多反爬措施，其次，selenium可以控制浏览器对网页内容进行点击，滚动，输入等多种操作，例如输入账号密码和验证码并登录，滚动屏幕获取ajax内容。

下面是一个直观的演示：



而selenium有两种运行模式，刚刚我们演示的是第一种模式，即展示浏览器界面的模式，我们可以看到浏览器的打开界面以及对网页的操作。

而无头浏览器顾名思义，即不弹出浏览器窗口，直接在后台进行操作。



那我们直接上手！

首先依然是配置相关设置，selenium是基于浏览器操作，因此首先需要保证电脑具有chromedrive

可以从官网下载与自己谷歌浏览器对应的版本 https://chromedriver.storage.googleapis.com/index.html



具体的配置教程不是本文讨论的重点，可以从互联网上参考相关教程，本文主要强调代码思想。

由于微博热搜的移动端界面的表现效果更好，因此我们需要模拟浏览器的UA和分辨率，模拟手机操作，并设置窗口大小，由此方可进入移动端界面，否则为PC端。

import timefrom datetime import datetimefrom selenium import webdriverfrom selenium.webdriver.chrome.options import Options# 配置浏览器选项opts = Options()mobile_emulation = {"deviceMetrics": {"width": 375, "height": 667, "pixelRatio": 2.0},"userAgent": "Mozilla/5.0 (iPhone; CPU iPhone OS 13_2_3 like Mac OS X) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/13.0.3 Mobile/15E148 Safari/604.1 Edg/116.0.0.0"}opts.add_experimental_option("mobileEmulation", mobile_emulation)# opts.add_argument('--headless')# 启用无头模式# 创建浏览器driver = webdriver.Chrome(options=opts)driver.set_window_size(375, 750)# 窗口大小name = datetime.now().strftime('20%y年%m月%d日%H:%M')

设置好后我们直接访问热搜榜url，并进行截图即可完成。

注意：由于打开网页后需要一定时间才会完全显示界面，因此设置了10秒钟的休眠，可以根据自己设备和网络情况具体调整时间。

# 导航到要截图的页面url = 'https://s.weibo.com/top/summary" />

当然，直接截图的话不会完整，可以通过滚动窗口，截屏后将所有图片拼接，获取长截图。

要启动无头模式，可以直接在配置中加入opts.add_argument('--headless') 即可。

---

4. 总结

在本项目中，我们探讨了如何使用30行不到的代码创建一个微博热搜爬虫，意图强调的是爬虫方式的选择的重要性，并提出了一些拓展思路。

同样的使用selenium无头模式也可以通过不到30行代码实现对热榜的爬取，但仅有图片信息，难以对数据进行固化和分析，所以说不同的爬虫方式有不同的特点，而选择适合需求的方法至关重要。

项目完整代码参见GitHub：GitHub - legeling/weibo_hotSearch: 一个爬取微博热榜，并进行可视化展示及推送的小工具