python爬蟲學習教程,爬取網易雲音樂!

運行環境html

個人運行環境以下:python

系統版本web

Windows10。框架

Python版本ide

Python3.5,推薦使用Anaconda 這個科學計算版本,主要是由於它自帶一個包管理工具,能夠解決有些包安裝錯誤的問題。去Anaconda官網,選擇Python3.5版本,而後下載安裝。函數

IDE工具

我使用的是PyCharm,是專門爲Python開發的IDE。這是JetBrians的產品學習

實戰開發工具

上面提到過,網易雲音樂的網頁跟普通的網頁相比主要有兩點不一樣:atom

網頁是 js 動態加載的

使用了iframe框架

因此,

首先,網頁請求不能使用requests庫,須要使用Selenium + PhatomJS。

其次,使用Selenium + PhatomJS後,還須要針對 iframe 作特定處理。

廢話很少說,看實際操做步驟:

廢話很少說,看實際操做步驟:
首先打開網頁 http://music.163.com

clipboard.png

在右上角的搜索框中輸入「The Beatles」,而後會有一個下拉選項,選擇歌手 The Beatles (紅框中的內容)。

clipboard.png

而後看到以下頁面,選擇紅框中的「全部專輯」,點擊。

clipboard.png

這樣就會看見全部的專輯列表,以及下方的翻頁按鈕。

clipboard.png

咱們須要的就是全部專輯的圖片、專輯名和專輯出版時間。看到這就能夠構想一下爬蟲的爬取邏輯了。定位到該頁面,而後獲取頁碼,而後挨個請求頁面來爬取頁面中的內容。

點擊一下翻頁按鈕看看url 有沒有什麼規律。

clipboard.png

點擊第二頁後,看到上面的地址欄!!!看到這個地址欄我都懶得翻頁了。。。

limit 參數是限制一個頁面加載專輯的個數

offset 參數是前面過濾多少個專輯,如今是一頁12個專輯,因此第二頁是offset=12,第三頁offset=24,以此類推。。。

一共9頁,一頁12個,也不到120個。So... ... 改一下url 就不用翻頁了!!

limit 參數等於120,offset 參數 等於0,就搞定了!輸入下面的url,看看是否是全部的專輯都加載出來了。

http://music.163.com/#/artist/album?id=101988&limit=120&offset=0

下面就開始爬蟲代碼了。
這裏咱們會用到上一篇博文中寫好的幾個工具方法:

'''
在學習過程當中有什麼不懂得能夠加個人
python學習交流扣扣qun,934109170
羣裏有不錯的學習教程、開發工具與電子書籍。
與你分享python企業當下人才需求及怎麼從零基礎學習好python,和學習什麼內容。
'''
    def save_img(self, url, file_name): ##保存圖片
        print('開始請求圖片地址,過程會有點長...')
        img = self.request(url)
        print('開始保存圖片')
        f = open(file_name, 'ab')
        f.write(img.content)
        print(file_name,'圖片保存成功!')
        f.close()
 
    def request(self, url):  #封裝的requests 請求
        r = requests.get(url)  # 像目標url地址發送get請求,返回一個response對象。有沒有headers參數均可以。
        return r
 
    def mkdir(self, path):  ##這個函數建立文件夾
        path = path.strip()
        isExists = os.path.exists(path)
        if not isExists:
            print('建立名字叫作', path, '的文件夾')
            os.makedirs(path)
            print('建立成功!')
            return True
        else:
            print(path, '文件夾已經存在了,再也不建立')
            return False
 
    def get_files(self, path): #獲取文件夾中的文件名稱列表
        pic_names = os.listdir(path)
        return pic_names

OK, 開始咱們的爬蟲邏輯部分:

這裏值得注意的是,該頁面使用frame 框架,使用Selenium + PhantomJS 後並不會加載iframe 框架中的網頁內容。iframe 框架至關於在頁面中又加載了一個頁面,須要使用Selenium 的 switch_to.frame() 方法加載(官網給的方法是switch_to_frame(),可是IDE提醒使用前面的方法替代該方法)。

看下面的網頁結構,iframe的id是「g_iframe」:

加載 iframe 框架中的內容:

driver = webdriver.PhantomJS()
driver.get(self.init_url)
driver.switch_to.frame("g_iframe")
html = driver.page_source

而後找到全部的封面元素:

clipboard.png

根據上圖的網頁結構能夠看出,全部的專輯信息都在ul 標籤裏面,每個專輯在一個li 標籤裏。li 標籤中包含了圖片url、專輯名字、以及專輯時間。

抓取其中的內容就行了。

all_li = BeautifulSoup(html, 'lxml').find(id='m-song-module').find_all('li')
 
for li in all_li:
    album_img = li.find('img')['src']
    album_name = li.find('p', class_='dec')['title']
    album_date = li.find('span', class_='s-fc3').get_text()

這裏獲取到的圖片url 依然是有圖片寬高參數的,因此要過濾寬高參數:
http://p4.music.126.net/pLA1G...

把問號後面的參數過濾掉:

end_pos = album_img.index('?')  #找到問號的位置
album_img_url = album_img[:end_pos]  #截取問號以前的內容

圖片命名邏輯:專輯時間 + 專輯名。

專輯名可能有一些特殊字符,須要替換掉!

photo_name = album_date + ' - ' + album_name.replace('/','').replace(':',',') + '.jpg'

再使用上一篇博文例子中的去重邏輯,修改後的爬蟲邏輯部分以下:

def spider(self):
        print("Start!")
        driver = webdriver.PhantomJS()
        driver.get(self.init_url)
        driver.switch_to.frame("g_iframe")
        html = driver.page_source
 
        self.mkdir(self.folder_path)  # 建立文件夾
        print('開始切換文件夾')
        os.chdir(self.folder_path)  # 切換路徑至上面建立的文件夾
 
        file_names = self.get_files(self.folder_path)  # 獲取文件夾中的全部文件名,類型是list
 
        all_li = BeautifulSoup(html, 'lxml').find(id='m-song-module').find_all('li')
        # print(type(all_li))
 
        for li in all_li:
            album_img = li.find('img')['src']
            album_name = li.find('p', class_='dec')['title']
            album_date = li.find('span', class_='s-fc3').get_text()
            end_pos = album_img.index('?')
            album_img_url = album_img[:end_pos]
 
            photo_name = album_date + ' - ' + album_name.replace('/','').replace(':',',') + '.jpg'
            print(album_img_url, photo_name)
 
            if photo_name in file_names:
                print('圖片已經存在,再也不從新下載')
            else:
                self.save_img(album_img_url, photo_name)

其實相對於上篇博文的例子,這個爬蟲的邏輯部分仍是挺簡潔的。

from selenium import webdriver
from bs4 import BeautifulSoup
import requests
import os
class AlbumCover():
 
    def __init__(self):
        self.init_url = "http://music.163.com/#/artist/album?id=101988&limit=120&offset=0" #請求網址
        self.folder_path = "C:\D\TheBeatles" #想要存放的文件目錄
 
    def save_img(self, url, file_name):  ##保存圖片
        print('開始請求圖片地址,過程會有點長...')
        img = self.request(url)
        print('開始保存圖片')
        f = open(file_name, 'ab')
        f.write(img.content)
        print(file_name, '圖片保存成功!')
        f.close()
 
    def request(self, url):  # 封裝的requests 請求
        r = requests.get(url)  # 像目標url地址發送get請求,返回一個response對象。有沒有headers參數均可以。
        return r
 
    def mkdir(self, path):  ##這個函數建立文件夾
        path = path.strip()
        isExists = os.path.exists(path)
        if not isExists:
            print('建立名字叫作', path, '的文件夾')
            os.makedirs(path)
            print('建立成功!')
            return True
        else:
            print(path, '文件夾已經存在了,再也不建立')
            return False
 
    def get_files(self, path):  # 獲取文件夾中的文件名稱列表
        pic_names = os.listdir(path)
        return pic_names
 
    def spider(self):
        print("Start!")
        driver = webdriver.PhantomJS()
        driver.get(self.init_url)
        driver.switch_to.frame("g_iframe")
        html = driver.page_source
 
        self.mkdir(self.folder_path)  # 建立文件夾
        print('開始切換文件夾')
        os.chdir(self.folder_path)  # 切換路徑至上面建立的文件夾
 
        file_names = self.get_files(self.folder_path)  # 獲取文件夾中的全部文件名,類型是list
 
        all_li = BeautifulSoup(html, 'lxml').find(id='m-song-module').find_all('li')
        # print(type(all_li))
 
        for li in all_li:
            album_img = li.find('img')['src']
            album_name = li.find('p', class_='dec')['title']
            album_date = li.find('span', class_='s-fc3').get_text()
            end_pos = album_img.index('?')
            album_img_url = album_img[:end_pos]
 
            photo_name = album_date + ' - ' + album_name.replace('/', '').replace(':', ',') + '.jpg'
            print(album_img_url, photo_name)
 
            if photo_name in file_names:
                print('圖片已經存在,再也不從新下載')
            else:
                self.save_img(album_img_url, photo_name)
 
album_cover = AlbumCover()
album_cover.spider()

執行結果:

clipboard.png

看看文件夾裏面什麼樣:

clipboard.png

相關文章
相關標籤/搜索