正文

關鍵詞每半小時抓?。P鍵詞時長）

發(fā)布時間：2023-03-21 02:43:20 稿源：創(chuàng)意嶺閱讀： 733 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于關鍵詞每半小時抓取的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com

本文目錄:

1、如何使用python根據(jù)關鍵詞抓取微博
2、如果在excel中的一列抓取關鍵字匯總
3、網(wǎng)站關鍵詞出現(xiàn)的頻率是怎么計算的?
4、微博爬蟲系列之關鍵詞及指定用戶博文爬取

關鍵詞每半小時抓?。P鍵詞時長）

一、如何使用python根據(jù)關鍵詞抓取微博

基本的套路就是利用微博賬號模擬登陸，這個過程比較復雜，因為微博有加密處理，推薦去github下載一個python模擬登陸新浪的源碼。

當你通過模擬登陸進入微博界面的時候，嘗試如何用python的模塊去提交query,然后通過beautifulsoup或者是httpparse來獲取內(nèi)容信息。當然，自己學習正則表達式來獲取也是可以的。

二、如果在excel中的一列抓取關鍵字匯總

就是求B列出現(xiàn)江蘇或上海的個數(shù)吧，如果是，假設數(shù)據(jù)在B2：B10，公式可為

=SUM(COUNTIF(B2:B10,{"江蘇*","上海*"}))

如果對應的A列有重名，要去重，或其它算法，請再說明。

三、網(wǎng)站關鍵詞出現(xiàn)的頻率是怎么計算的?

我可以很負責任的告訴你，關鍵詞密度不是最佳答案所說的！

關鍵詞密度是關鍵詞/頁面所有詞語是詞語不是字數(shù)！

仔細想一下也可以知道了比如關鍵詞長度為3個字出現(xiàn)5次頁面只有這5個相同的關鍵詞頁面所有字3*5=15 關鍵詞出現(xiàn)5詞那頻率就是 5/15=33%了？但事實是100% 最佳答案那個是錯誤的！

四、微博爬蟲系列之關鍵詞及指定用戶博文爬取

近期的一些微博爬蟲內(nèi)容，本篇主要將怎么根據(jù)關鍵詞或指定用戶進行博文爬取。

準備寫的內(nèi)容：

定向詞及指定用戶博文爬取方面，用的是微博網(wǎng)頁版（ https://weibo.cn ）。對于微博網(wǎng)頁版中相關博文的爬取，需要使用到 cookies 。這方面的爬取參考了github上的資源：

寫的時候發(fā)現(xiàn)網(wǎng)頁版的關鍵詞檢索接口已經(jīng)不見了···可能是微博刪除了網(wǎng)頁版的接口吧···之后再看看怎么在pc端爬取。

這里先介紹怎么指定用戶進行博文爬取吧···

指定用戶的時候，需要有用戶的用戶id。通常用戶id是一串數(shù)字，也有一些賬號更改后是字符串，舉個例子，何同學跟央視新聞的微博：

在這里何同學的 uid = 6529876887 ，央視新聞的 uid = cctvxinwen 。當然也可以獲取到央視新聞以數(shù)字存儲的id，之后再講怎么獲取，這里直接放出來就是 uid = 2656274875 ，點擊可以發(fā)現(xiàn)確實是央視新聞的微博 https://weibo.cn/2656274875

這個問題在爬取用戶博文方面沒有影響，不過在爬取用戶信息時會有影響，后面寫用戶信息爬取再說這個情況怎么解決。

下面以央視新聞為例看看怎么爬用戶的博文。

點擊進入央視新聞的微博，可以看到這個賬號發(fā)布了很多很多微博，在網(wǎng)頁版觀看就會顯示很多頁，那么要爬取的時候就要先獲取他的頁數(shù)。

當點擊第二頁時，會發(fā)現(xiàn) url 會變成 https://weibo.cn/cctvxinwen?page=2 。也就是說這個翻頁是以 page 這個字段進行翻頁的，這就好辦很多了。

將 page 改成 1 可以發(fā)現(xiàn)網(wǎng)頁跳轉(zhuǎn)到所有博文的第1頁，接下來那我們就先獲取到所有的頁面url。

首先進入 https://weibo.cn/cctvxinwen?page=1 ，打開開發(fā)者模式，在文件中找到自己的 cookies 。

在網(wǎng)頁開發(fā)者模式下，點開文件可以發(fā)現(xiàn)沒有json格式的數(shù)據(jù)輸出。因此這里不能直接通過解析json數(shù)據(jù)獲取到頁面數(shù)據(jù)。

這里就需要查看網(wǎng)頁返回的文本信息了。這里再定位具體信息時，我用的是 lxml 庫里的 etree 方法。

這里要查看具體要定位到哪里，可以在網(wǎng)頁上的源碼進行定位，比如我們要定位到頁數(shù)，找到頁數(shù)所在的地方：

拿到用戶的所有博文網(wǎng)頁后，就可以進行博文的爬取了。這里每一頁的數(shù)據(jù)是一樣的，所以直接用第一頁為例就可以了。同樣的將頁面數(shù)據(jù)爬下來：

還是在網(wǎng)頁上看，定位到某一條博文，可以看到源碼是這樣子的：

可以看到第1頁這里展示了11條博文（這個不一定），每條博文放在 div class="c" id="" 的控件里，這里的id是對應的博文id，于是我們就可以拿到博文的控件：