caldav（并定时发送至邮箱）

最近微博的瓜一个接一个，本文就将介绍如何用 Python 自动抓取微博热搜，并定时发送到QQ邮箱。主要分为三部分：

caldav（并定时发送至邮箱）

爬取微博热搜整理数据与发送邮箱定时执行

一、抓取热搜数据

进入微博热搜榜https://s.weibo.com/top/summary后，整体页面如下：

可以看到，我们需要的热搜榜单信息在页面的正中央（总共50条热搜），这里我们需要爬取的信息有热搜标题、话题搜索量、以及话题指数。按F12进入网页源代码页面，点击element内容如下：

选中鼠标选项，点击你要爬取的信息，就可以看到对应的html源码。这里我们爬取的分为三个部分：标题、数量、指数、网址四个信息，而我们可以从网页源代码发现如下规律：

信息源代码规律标题<a href="……" target="_blank">标题</a>数量数量指数<td class="td-03">指数</td>指数1(.*?)连接<a href="连接" target="_blank">标题</a>

注意：这里之所以有指数和指数1源代码是因为前者获取到的数据是有杂音的，所以需要再次用到指数1获得最终的信息。

之后我们运用requests包爬取网页源代码并通过re模块对爬取内容进行正则提取，因为每天仅执行一次，也就不用考虑请求头什么的，Python代码如下：

import requests import re url = 'https://s.weibo.com/top/summary?cate=realtimehot' #微博网址 ret = requests.get(url) test = ret.text u_href = '<a href="(.*?)" target="_blank">.*?</a>' u_title = '<a href=".*?" target="_blank">(.*?)</a>' u_amount = '(.*?)' u_category = '<td class="td-03">(.*?)</td>' u_href = '<a href="(.*?)" target="_blank">.*?</a>' title = re.findall(u_title,test) amount = re.findall(u_amount,test) category = re.findall(u_category,test) href = re.findall(u_href,test)

二、数据清洗

上面获取到的title、amount、category、href四个指标是未经处理的话题、话题搜索量、话题指数、话题连接。接下来我们对其进行处理，先上代码

import pandas as pd title = title[:-2] title = title[1:] href = href[:-2] href = href[1:] for j in range(len(href)): href[j] = 'https://s.weibo.com/' + href[j] while '' in amount: amount.remove('') for i in range(len(category)): if category[i] != '': category[i] = re.findall('(.*?)',category[i])[0] if category[i] == '': category[i] = '空' category = category[1:] while '荐' in category: category.remove('荐') df = pd.DataFrame() df['关键词'] = title df['amount'] = amount df['category'] = category df['href'] = href df = df.sort_values('amount') df2 = df[df['category']=='爆'] df3 = df[df['category']=='沸'] df4 = df[df['category'] == '热'] df5 = df[df['category'] == '新'] df6 = df[df['category'] == '空'] df = pd.concat([df2,df3,df4,df5,df6],ignore_index = True) df.to_csv('微博热搜.csv',encoding = 'gbk')#输出为csv文本格式

下面对title进行处理，第一节爬取到的title是这样的，

总共只有50条热搜，怎么多出来3条？可以看到最后的两条是不需要的，所以用列表提取的方法提取前50行。还有一个元素多出来？就是我们的第一个元素，即是title[0]，title[0]是没有序号与热搜搜索量的，如图：

“天问一号成功着陆”这一话题有指数无搜索量，是属于缺失数据，这里我们删除它，同样用到列表提取元素方法。

对href连接的处理与title的处理相同。

接着对搜索量做处理，采用了删除空格的语句。原因是热搜榜中会出现推荐的话题，而推荐的话题是没有搜索量的，故我们删除它。

最后轮到指数处理，先看未处理前的指数，

上面显而易见我们要提取的指数信息就在每个元素里面，同样利用re模块正则提取，提取出来后做三件事：

去除第一个元素（原因已在title处理上讲解）空字符串部分以中文空子代替去除推荐的话题

上面三步的代码已附上。代码里最后的步骤就是运用pandas模块对数据进行整理得到美观的数据框形式。效果如下：

三、发邮箱与设置定时

用Python可以模拟许多大厂的邮箱发送，本文选择常用的腾讯QQ邮箱。在此之前需要做一个准备(获取SMTP授权码)：

登录QQ邮箱并单击设置按钮，然后进入账户这个页面

进入之后向下拖动来到POP3/IMAP/SMTP/Exchange/CardDAV/CalDAV服务这栏，这里单击POP3/SMTP服务右侧的开启，单击后会有一个验证密保的过程，按照提示即可。最终会弹出一个框，里面包含SMTP授权码，这里可以找个地方记录起来，Python代码就可以用到。

先上发送QQ邮箱的代码模板：

import smtplib from email.mime.text import MIMEText from email.mime.multipart import MIMEMultipart number = '你的QQ邮箱号码' smtp = '邮箱对应的STMP授权码' to = '需要发送到的QQ邮箱号码' # 可以是非QQ的邮箱 mer = MIMEMultipart() # 设置邮件正文内容 head = ''' 微博热搜榜信息 最热门词条为 <a href="{}">{}</a> 排名前五的热搜 <a href="{}">{}</a> <a href="{}">{}</a> <a href="{}">{}</a> <a href="{}">{}</a> <a href="{}">{}</a> '''.format(df.iloc[0,:]['href'],df.iloc[0,:]['关键词'], df.iloc[1,:]['href'],df.iloc[1,:]['关键词'], df.iloc[2,:]['href'],df.iloc[2,:]['关键词'], df.iloc[3,:]['href'],df.iloc[3,:]['关键词'], df.iloc[4,:]['href'],df.iloc[4,:]['关键词'], df.iloc[5,:]['href'],df.iloc[5,:]['关键词']) mer.attach(MIMEText(head, 'html', 'utf-8')) fujian = MIMEText(open('微博热搜.csv', 'rb').read(), 'base64', 'utf-8') fujian["Content-Type"] = 'application/octet-stream' #附件内容 fujian.add_header('Content-Disposition', 'file', filename=('utf-8', '', '微博热搜.csv')) mer.attach(fujian) mer['Subject'] = '每日微博热搜榜单' #邮件主题 mer['From'] = number #发送人 mer['To'] = to #接收人 # 5.发送邮件 s = smtplib.SMTP_SSL('smtp.qq.com', 465) s.login(number, smtp) s.send_message(mer) # 发送邮件 s.quit() print('成功发送')

代码框架基本如此，你需要更改的地方有如下，其余的内容可以不改：

邮件主题发送人接收人SMTP授权码附件内容

运行成功后，输出框会有“成功发送”打印，如果你的微信绑定了你的发送QQ邮箱，那么你就可以点击其中的附件，也就是csv文件。

按照我们设置的格式，把最热门的词条和排名前五的词条放入head正文内容中，效果如下：

(这里存在延时，所以热搜榜和上面不一)

最后就是设置定时执行这个代码也即是发送微博热搜榜信息，利用Schedule库可以实现。

schedule模块设置定时的模板只需改2个地方，一个是schedule.every().day.at("18:00").do(email)中的时间，一个是def函数里面运行的内容。While True的作用就是让程序不停止。

我们定每晚6点进行自动发送，代码如下：

import schedule import time def email(): number = '你的QQ邮箱号码' smtp = '邮箱对应的STMP授权码' to = '需要发送到的QQ邮箱号码' # 可以是非QQ的邮箱 mer = MIMEMultipart() # 设置邮件正文内容 head = ''' 微博热搜榜信息 最热门词条为 <a href="{}">{}</a> 排名前五的热搜 <a href="{}">{}</a> <a href="{}">{}</a> <a href="{}">{}</a> <a href="{}">{}</a> <a href="{}">{}</a> '''.format(df.iloc[0,:]['href'],df.iloc[0,:]['关键词'], df.iloc[1,:]['href'],df.iloc[1,:]['关键词'], df.iloc[2,:]['href'],df.iloc[2,:]['关键词'], df.iloc[3,:]['href'],df.iloc[3,:]['关键词'], df.iloc[4,:]['href'],df.iloc[4,:]['关键词'], df.iloc[5,:]['href'],df.iloc[5,:]['关键词']) mer.attach(MIMEText(head, 'html', 'utf-8')) fujian = MIMEText(open('微博热搜.csv', 'rb').read(), 'base64', 'utf-8') fujian["Content-Type"] = 'application/octet-stream' #附件内容 fujian.add_header('Content-Disposition', 'file', filename=('utf-8', '', '微博热搜.csv')) mer.attach(fujian) mer['Subject'] = '每日微博热搜榜单' #邮件主题 mer['From'] = number #发送人 mer['To'] = to #接收人 # 5.发送邮件 s = smtplib.SMTP_SSL('smtp.qq.com', 465) s.login(number, smtp) s.send_message(mer) # 发送邮件 s.quit() print('成功发送') schedule.every().day.at("18:00").do(email) while True: schedule.run_pending() time.sleep(5)

这样，我们就完成了利用 Python 自动爬取微博热搜，并在每天指定时间自动发送整理后的结果至邮箱。当然你也可以自已更改逻辑，例如当出现指定关键词、指定tag时发送邮箱，感兴趣的读者可以关注