Python 详解爬取并统计CSDN全站热榜标题关键词词频流程
前言
最近在出差，发现住的宾馆居然有小强。所以出差无聊之际，写了点爬虫的代码玩玩，问就是应景。本篇文章主要是爬取csdn全站综合热榜的100个标题，然后分词提取关键词，统计一下词频。
我想了下，对于其他博主还是有用的，可以看看什么标题可以上热榜，就分享一下吧。顺便把我解决各类问题的方法，说一说。
环境
使用的ide为：spyder（有看着界面不习惯的，忍一下，不关键）
页面爬取使用chromedriver，至于原因我后面会说。
分词器：jieba
爬取页面地址：https://blog.csdn.net/rank/list
爬虫代码
这里说一下为什么没有用requests直接获取页面源码，主要是因为该页面并不能直接请求出源码。而是通过页面滚动到最下方，才可以显示出全部的100个排名的文章。
所以我的思路是，使用chromedriver，然后执行js实现滚动页面到最下方。
这里需要说明一下chromedriver的下载，需要根据你google浏览器的版本来。我的笔记本事mac，可以点击左上角的chrome，再点击关于google chrome看看自己的浏览器版本。
分享一下chromedriver的下载地址：google chrome driver下载地址
简单说明一下driver的原理，就是模拟浏览器打开url的操作，就像我们手点一样，具体原理改天可以再聊聊。
不废话了，上爬虫工具代码
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
created on thu nov 4 17:15:06 2021
@author: huyi
"""
from selenium import webdriver
import time
# =============================================================================
# 爬取动态下滑加载网页
# =============================================================================
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
代码说明
1、代码主要是一个工具方法，使用diver打开浏览器。然后通过js代码，模拟向下滚动的操作。
2、根据你的网络条件，里面的超时时间你可以调整。避免还没有滚动到最下面就结束了，因为我宾馆的网比较卡，所以设置的比较大。
3、返回页面源码，为了后面的xpath解析。
验证一下
ok,已经拿到了页面源码了。
关键词提取代码
我们把关键词提取的方法也准备一下。不废话，上代码。
#!/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
代码说明
1、简单说明一下，方法取的是权重最高的3个词，可以按照你的喜欢调整。
2、把相同的词做一个计数，方便把100的标题关键词词频统计用。
主程序代码
主程序主要是将源码中的标题，使用lxml进行元素提取，获取标题。然后词频统计后输出结果文本。
不废话，上代码。
#!/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("//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]))
代码说明
1、xpath怎么取？google浏览器支持右键直接copy，但是还是建议了解一下xpath相关语法。
2、把英文单词统一小写，避免重复。
3、按照词频倒序排列输出的，最多次数的在前面。
验证结果
ok，不出意外，java是yyds。
总结
可以看到最后的统计里面有一些符号，怎么说？可以通过jieba停用词去掉，看你怎么筛选了。
申明一下，本文案例仅研究探索使用，不是为了恶意攻击。
如果本文对你有作用的话，请不要吝啬你的赞，谢谢。
以上就是python 详解爬取并统计csdn全站热榜标题关键词词频流程的详细内容，更多关于python 爬取csdn的资料请关注其它相关文章！