乐于分享
好东西不私藏
夜雨聆风 > > 办公文件 > crawl4ai实战:全网热搜一键爬取,微博抖音百度一个都别想跑

crawl4ai实战:全网热搜一键爬取,微博抖音百度一个都别想跑

当前时间： 2026-08-09 16:46:56 分类：办公文件 评论(0)
crawl4ai实战:全网热搜一键爬取,微博抖音百度一个都别想跑

最近在做全网热搜聚合工具，一开始雄心勃勃想用crawl4ai把百度、微博、抖音的网页全爬一遍，结果发现完全没必要——微博和抖音居然有未公开的官方JSON接口，直接请求就能拿到结构化的热搜数据，比解析HTML稳定十倍。

当然，API有失效或被封的风险，所以我还是用crawl4ai做了浏览器兜底。今天就重点分享如何通过微博、抖音的API直接获取数据，顺便看看crawl4ai怎么给兜底策略兜底。

一、为什么优先用API而不是爬网页？

网页抓取痛点：

  • 微博未登录会重定向，登录态需要维护Cookie
  • 抖音的React哈希类名每周变化，选择器不停失效
  • 页面渲染依赖JS执行，慢且资源消耗大

而官方API的优势：

  • 返回纯JSON，无需解析HTML
  • 结构稳定，字段明确（热搜词、热度值、标签）
  • 请求速度快，并发友好
  • 部分接口甚至无需Cookie

只要找到正确的接口地址和参数，就能像调天气API一样轻松拿到热搜。

二、微博热搜API：/ajax/side/hotSearch

微博的热搜榜其实有个公开的Ajax接口，PC端热搜页会异步请求这个地址获取数据。

2.1 接口详情

  • URL: https://weibo.com/ajax/side/hotSearch
  • 方法: GET
  • 请求头: 需要携带合法的 User-Agent、Referer、Accept，最好加上 Cookie（尤其要包含 SUB 字段）

2.2 响应结构

{"ok": 1,"data": {"realtime": [{"word": "五一档电影票房破纪录","num": 1820345,"label_name": "热","url": "https://s.weibo.com/weibo?q=%23%E4%BA%94%E4%B8%80%E6%A1%A3%23"},      ...]}}
  • word: 热搜词条
  • num: 热度数值（可用于排序）
  • label_name: 标签如"热"、"沸"、"新"
  • url: 搜索链接

2.3 Python调用代码

import aiohttpimport jsonasync def fetch_weibo_hot(cookies: dict = None):    url = "https://weibo.com/ajax/side/hotSearch"    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36","Referer": "https://weibo.com/","Accept": "application/json, text/plain, */*",    }if cookies:        headers["Cookie"] = "; ".join(f"{k}={v}" for k, v in cookies.items())async with aiohttp.ClientSession() as session:async with session.get(url, headers=headers) as resp:            data = await resp.json()if data.get("ok") == 1:return [                    {"rank": i+1,"title": item["word"],"hot_score": item.get("num", ""),"label": item.get("label_name", ""),"url": item.get("url", "")                    }for i, item in enumerate(data["data"]["realtime"])if not item.get("is_ad")  # 过滤广告                ]return []

小技巧：无Cookie也能返回数据，但可能缺少部分字段或条目数有限。加上包含 SUB 的登录Cookie后数据更完整。

三、抖音热搜API：/aweme/v1/hot/search/list/

抖音的热搜API同样隐藏在PC版网页的网络请求中，需要携带正确的参数和Cookie。

3.1 接口详情

  • URL: https://www.douyin.com/aweme/v1/hot/search/list/

  • 方法: GET

  • 必需参数:

    • device_platform: webapp
    • aid: 6383
    • channel: channel_pc_web
    • hot_search_type: 10
    • pc_client_type: 1
    • version_code: 170400 等版本号

  • 关键Cookie:

    • msToken: 必填，用于防爬校验
    • ttwid: 设备标识，可选但建议携带
    • passport_csrf_token: 登录态相关，可选

3.2 响应结构

{"status_code": 0,"data": {"word_list": [{"word": "NBA季后赛","hot_value": 9342100,"label": 1,"event_time": 1744627200},      ...]}}
  • word: 热搜词
  • hot_value: 热度值（数值型，越大越热）
  • label: 标签类型（数字映射，如1=热）
  • event_time: 上榜时间戳

3.3 Python调用代码

async def fetch_douyin_hot(cookies: dict = None):    url = "https://www.douyin.com/aweme/v1/hot/search/list/"    params = {"device_platform": "webapp","aid": "6383","channel": "channel_pc_web","hot_search_type": "10","pc_client_type": "1","version_code": "170400","version_name": "17.4.0",    }    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36","Referer": "https://www.douyin.com/hot",    }if cookies:        headers["Cookie"] = "; ".join(f"{k}={v}" for k, v in cookies.items())async with aiohttp.ClientSession() as session:async with session.get(url, params=params, headers=headers) as resp:            data = await resp.json()if data.get("status_code") == 0:return [                    {"rank": i+1,"title": item["word"],"hot_score": item.get("hot_value", ""),"label": item.get("label", ""),"url": f"https://www.douyin.com/search/{item['word']}"                    }for i, item in enumerate(data["data"]["word_list"])                ]return []

注意：抖音API对Cookie的 msToken 校验较严格，如果没有有效的 msToken，接口可能返回空数据或报错。从浏览器登录后复制完整Cookie即可。

四、百度热搜

百度热搜没有找到公开的JSON接口，所以还是用crawl4ai渲染页面提取。好在百度反爬较弱，crawl4ai一个配置搞定。

run_config = CrawlerRunConfig(    wait_until="networkidle",    wait_for=".c-single-text-ellipsis",  # 标题元素    delay_before_return_html=2.0,    simulate_user=True,)

用CSS选择器提取标题列表即可。

五、运行效果

一个请求周期内，三平台热搜全部到手，速度飞快。

六、总结

整个爬虫从构思到稳定运行只花了一个下午，核心思路就是 API 优先 + 浏览器兜底。对于大多数动态站点，能用接口绝不去碰 DOM，既快又稳。

当然，无论是微博、抖音的接口调用，还是后续的数据分析、自动摘要，都离不开稳定的 LLM 能力支撑。如果你也像我一样重度依赖 Claude、GPT 等大模型做数据处理或内容生成，可能会遇到两个问题：

  • 官方 API 价格不菲，调用量大了心疼预算；
  • 网络环境不稳定，直连困难。

这里推荐一个我自己在用的 Claude Code 中转 API Token 服务：

✅ 支持 Claude 全系列模型（包括 Opus、Sonnet、Haiku）

✅ 价格约为官方的 十分之一，按量计费，无月费

✅ 国内直连，延迟极低，兼容 OpenAI 格式，一行代码切换

✅ 并发不限，适用于爬虫批量处理、数据清洗、自动打标等场景

网站地址：：https://zbenru.cn/

我将完整代码整理在了Gitee[1]，欢迎自取。

参考资料

[1]

Giteehttps://gitee.com/fengde_jijie/python_spider/tree/main/crawl4ai/Media_hot_search