Python obtiene los datos de búsqueda de un video corto y los guarda en Excel
1. Consigue el objetivo y prepárate para el trabajo
1. Objetivo de adquisición: este objetivo del tutorial de adquisición: una búsqueda activa de video breve
2. Preparación
- entorno python3.x
- peticiones
- pandas
Requests y Pandas son las bibliotecas requeridas para este tutorial. Requests se usa para simular solicitudes http y Pandas se usa para el procesamiento de datos (guarde los resultados como Excel).
- Abra la página solicitada en el navegador Chrome y presione F12 para abrir la consola del navegador. Haga clic en Red para seleccionar la red y luego haga clic en XHR. Encuentre la solicitud XHR correspondiente y podrá obtener la interfaz de datos de búsqueda activa.
2. Comienza a programar
- Importar bibliotecas dependientes
import requests
import pandas as pd
- Construya un encabezado de solicitud:
browse_header = {
"Accept": "application/json, text/plain, */*",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.60 Safari/537.36",
"Host": "www.douyin.com",
"Referer": "https://www.douyin.com/discover",
"Cookie": "_xsrf=Pd0NpG6J8kZdHtzBVnNyQP1g0rO7NKeg; _zap=d7f27b9f-4fe3-4ef4-9376-df278af16940;"
}
- Definir una interfaz de solicitud, es decir, la dirección de datos
url = "https://www.douyin.com/aweme/v1/web/hot/search/list/?device_platform=webapp&aid=6383&channel=channel_pc_web"
- Envíe la solicitud, ya que la interfaz devuelve el formato JSON, así que aquí hay un paso y el resultado de la respuesta también se convierte al formato JSON.
res = requests.get(url, headers=browse_header).json()
- Extraiga la lista de datos de búsqueda activa.
# 实时上升热点列表
content_list = res['data']['word_list']
- Luego realice el análisis json por separado, los campos correspondientes (título, clasificación, índice de búsqueda activa, descripción, dirección del enlace).
df = pd.DataFrame( # 拼装爬取到的数据为DataFrame
{
'热搜标题': title_list,
'热搜排名': order_list,
'热搜指数': score_list,
'描述': desc_list,
'链接地址': url_list
}
)
df.to_excel('百度热搜榜.xlsx', index=False) # 保存结果数据
Nota: en este código, la dirección del enlace devuelto es un poco diferente, tenemos que hacer algunos ajustes: los ajustes son los siguientes:
url_list.append(f"https://www.douyin.com/hot/{content['sentence_id']}")
Código completo:
import requests
import pandas as pd
browse_header = {
"Accept": "application/json, text/plain, */*",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.60 Safari/537.36",
"Host": "www.douyin.com",
"Referer": "https://www.douyin.com/discover",
"Cookie": "_xsrf=Pd0NpG6J8kZdHtzBVnNyQP1g0rO7NKeg; _zap=d7f27b9f-4fe3-4ef4-9376-df278af16940;"
}
url = "https://www.douyin.com/aweme/v1/web/hot/search/list/?device_platform=webapp&aid=6383&channel=channel_pc_web"
res = requests.get(url, headers=browse_header).json()
# 实时上升热点
content_list = res['data']['word_list']
title_list = []
order_list = []
score_list = []
desc_list = []
url_list = []
index = 0
for content in content_list:
index += 1
order_list.append(content['position'])
title_list.append(content['word'])
score_list.append(content['hot_value'])
desc_list.append(content['word'])
url_list.append(f"https://www.douyin.com/hot/{
content['sentence_id']}")
df = pd.DataFrame({
'热搜标题': title_list,
'热搜排名': order_list,
'热搜热度': score_list,
'描述': desc_list,
'链接地址': url_list
})
df.to_excel('抖音热搜榜.xlsx', index=False) # 保存结果数据
Finalmente, verifique los datos obtenidos:
un total de 50 datos.