简介
在当今信息爆炸的时代，获取最新、最热门的信息成为了许多人的日常需求。微博热搜榜作为反映社会热点和公众关注焦点的重要窗口，其信息价值不言而喻。本文将介绍一个实用的Python爬虫程序，它能够自动爬取微博热搜榜的信息，并通过邮件的形式将这些信息发送给用户，帮助用户及时了解社会动态，把握热点趋势。
总体介绍
本博客文章将详细介绍一个关于微博热搜榜简单爬虫程序。该程序的主要功能是自动获取微博热搜榜上的信息，并将这些信息通过邮件发送给用户。程序使用了以下模块：
requests：用于发送HTTP请求，获取网页内容。BeautifulSoup：用于解析HTML网页，方便提取所需信息。smtplib：用于发送邮件。email.utils和email.mime.text：用于构建邮件的各个部分。
程序中定义了三个主要函数：
page_request(url, header)：发送HTTP请求，获取网页内容，并返回HTML代码。page_parse(html)：解析HTML代码，提取热搜信息，并调用email_set()函数发送邮件。email_set(data)：构建邮件的各个部分，并发送邮件。
此外，程序还包含一个job()函数，它负责调用page_request()和page_parse()函数，实现整个爬取和邮件发送的流程。
完整代码：
# 爬虫相关模块
import requests
from bs4 import BeautifulSoup
import smtplib
import email.utils
from email.mime.text import MIMEText
import time
# 请求网页
def page_request(url, header):
response = requests.get(url=url, headers=header)
html = response.content.decode("UTF-8")
return html
# 解析网页
def page_parse(html):
soup = BeautifulSoup(html, 'html.parser')
news = []
# 处理热搜前50
urls_title = soup.select('#pl_top_realtimehot > table > tbody > tr > td.td-02 > a')
hotness = soup.select('#pl_top_realtimehot > table > tbody > tr > td.td-02 > span')
for i in range(len(urls_title)):
new = {}
title = urls_title[i].get_text()
url = urls_title[i].get('href')
# 个别链接会出现异常
if url == 'javascript:void(0);':
url = urls_title[i].get('href_to')
# 热搜top没有显示热度
if i == 0:
hot = 'top'
else:
hot = hotness[i - 1].get_text()
new['title'] = title
new['url'] = "https://s.weibo.com" + url
new['hot'] = hot
news.append(new)
print(len(news))
for element in news:
print("新闻: "+element['title'] + '\t热度: ' + element['hot'] + '\t网址: ' + element['url'])
# 发送邮件
email_set(news)
def email_set(data):
text =""
no=1
for element in data:
text+=str(no)+" 新闻: "+element['title'] + '\n热度: ' + element['hot'] + '\n网址: ' + element['url']+"\n\n"
no+=1
subject = '微博热搜榜'+str(time.time())
message = MIMEText(text)
message['To'] = email.utils.formataddr(('02', ''))
message['From'] = email.utils.formataddr(('01', ''))
message['Subject'] = subject
server = smtplib.SMTP_SSL('smtp.qq.com', 465)
server.login('', 'yrbqcwfhlcvucjcj')
server.set_debuglevel(True)
try:
server.sendmail('', [''], msg=message.as_string())
print("发送成功\n\n")
except:
print("发送失败")
finally:
server.quit()
def job():
print('开始爬取微博热搜')
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.60 Safari/537.36',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'zh-CN,zh-Hans;q=0.9',
'Accept-Encoding': 'gzip, deflate, br',
'Cookie': ""
}
url = 'https://s.weibo.com/top/summary'
html = page_request(url=url, header=header)
page_parse(html)
if __name__ == "__main__":
while True:
job()
time.sleep(20)
函数解析
page_parse 函数
page_parse()函数负责解析网页，提取微博热搜数据。它使用BeautifulSoup处理HTML，筛选出新闻标题、链接和热度，并将这些信息存储在列表中。之后，该函数打印出每条新闻的详细信息，并调用email_set()函数发送邮件。
email_set 函数
email_set()函数用于创建并发送邮件。它接收一个包含热搜数据的列表，构建邮件正文，设置邮件头部信息（如发件人、收件人、主题），并通过SMTP服务器发送邮件。
job 函数
job()函数作为程序的入口点，负责启动爬虫流程。它首先打印开始爬取的提示，然后获取目标网页内容，解析出热搜数据，并触发邮件发送过程。
特别注意
重要提醒： 本代码示例完成于2022年，随着微博平台的产品迭代和反爬策略的更新，原有的爬虫代码可能已经无法正常运行。因此，本代码仅供学习和参考之用，不保证其在当前环境下的功能性。
学习目的
尽管代码可能已不再适用，但它提供了一个很好的学习机会，让您了解如何使用Python进行网页爬取、数据解析和邮件发送。以下是代码的关键学习点：
- HTTP请求：如何使用
requests库发送HTTP请求，获取网页内容。 - HTML解析：利用
BeautifulSoup库解析HTML文档，提取所需数据。 - 邮件发送：通过
smtplib和email.mime.text构建和发送邮件。 - 函数封装：学习如何将功能模块化，通过函数实现代码的重用和组织。
更新建议
如果您希望更新代码以适应当前的微博平台，可能需要考虑以下方面：
- 检查微博API：研究是否有可用的微博API接口，使用API获取数据通常比直接爬取更为稳定和合法。
- 更新选择器：由于网页结构可能发生变化，需要更新BeautifulSoup的选择器以匹配新的HTML元素。
- 反爬策略：了解并应对微博可能采取的反爬虫措施，如设置合适的请求头、使用代理等。
- 邮件服务器配置：根据您使用的邮件服务提供商，可能需要更新SMTP服务器的配置信息。