Python爬蟲實戰案例：取喜馬拉雅音頻數據詳解

前言

喜馬拉雅是專業的音頻分享平臺，聚集了有聲小說,有聲讀物,有聲書,FM電臺,兒童睡前故事,相聲小品,鬼故事等數億條音頻，我最喜歡聽民間故事和德雲社相聲集，你呢？

今天帶你們爬取喜馬拉雅音頻數據，一塊兒期待吧！！

 

這個案例的視頻地址在這裏

https://v.douyu.com/show/a2JEMJj3e3mMNxml

 

項目目標

爬取喜馬拉雅音頻數據

受害者地址

https://www.ximalaya.com/

 

 

本文知識點：

• 一、系統分析網頁性質
• 二、多層數據解析
• 三、海量音頻數據保存

環境：

• python 3.6
• pycharm
• requests
• parsel

思路：(爬蟲案例)

• 1.肯定數據所在的連接地址(url)
• 2.經過代碼發送url地址的請求
• 3.解析數據(要的, 篩選不要的)
• 4.數據持久化(保存)

案例思路：

• 1. 在靜態數據中獲取音頻的id值
• 2. 發送指定id值json數據請求(src)
• 3. 從json數據中解析音頻所對應的URL地址

開始寫代碼

先導入所需的模塊

import requests
import parsel  # 數據解析模塊
import re

 

1.肯定數據所在的連接地址(url) 逆向分析 網頁性質(靜態網頁/動態網頁)

打開開發者工具，播放一個音頻，在Madie裏面能夠找到一個數據包

 

複製URL，搜索

 

找到ID值

 

繼續搜索，找到請求頭參數

 

url = 'https://www.ximalaya.com/youshengshu/4256765/p{}/'.format(page)
headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'}

 

2.經過代碼發送url地址的請求

response = requests.get(url=url, headers=headers)
html_data = response.text

 

3.解析數據(要的, 篩選不要的) 解析音頻的 id值

selector = parsel.Selector(html_data)
lis = selector.xpath('//div[@class="sound-list _is"]/ul/li')

for li in lis:
    try:
        title = li.xpath('.//a/@title').get() + '.m4a'
        href = li.xpath('.//a/@href').get()
        # print(title, href)

        m4a_id = href.split('/')[-1]
        # print(href, m4a_id)

        # 發送指定id值json數據請求(src)
        json_url = 'https://www.ximalaya.com/revision/play/v1/audio?id={}&ptype=1'.format(m4a_id)
        json_data = requests.get(url=json_url, headers=headers).json()
        # print(json_data)

        # 提取音頻地址
        m4a_url = json_data['data']['src']
        # print(m4a_url)

        # 請求音頻數據
        m4a_data = requests.get(url=m4a_url, headers=headers).content

        new_title = change_title(title)

 

4.數據持久化(保存)

with open('video\\' + new_title, mode='wb') as f:
    f.write(m4a_data)
    print('保存完成:', title)

 

最後還要處理文件名非法字符

def change_title(title):
    pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]")  # '/ \ : * ? " < > |'
    new_title = re.sub(pattern, "_", title)  # 替換爲下劃線
    return new_title

 

完整代碼

import re

import requests
import parsel  # 數據解析模塊


def change_title(title):
    """處理文件名非法字符的方法"""
    pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]")  # '/ \ : * ? " < > |'
    new_title = re.sub(pattern, "_", title)  # 替換爲下劃線
    return new_title


for page in range(13, 33):
    print('---------------正在爬取第{}頁的數據----------------'.format(page))
    # 1.肯定數據所在的連接地址(url)  逆向分析  網頁性質(靜態網頁/動態網頁)
    url = 'https://www.ximalaya.com/youshengshu/4256765/p{}/'.format(page)
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'}

    # 2.經過代碼發送url地址的請求
    response = requests.get(url=url, headers=headers)
    html_data = response.text
    # print(html_data)

    # 3.解析數據(要的, 篩選不要的)  解析音頻的  id值
    selector = parsel.Selector(html_data)
    lis = selector.xpath('//div[@class="sound-list _is"]/ul/li')

    for li in lis:
        try:
            title = li.xpath('.//a/@title').get() + '.m4a'
            href = li.xpath('.//a/@href').get()
            # print(title, href)

            m4a_id = href.split('/')[-1]
            # print(href, m4a_id)

            # 發送指定id值json數據請求(src)
            json_url = 'https://www.ximalaya.com/revision/play/v1/audio?id={}&ptype=1'.format(m4a_id)
            json_data = requests.get(url=json_url, headers=headers).json()
            # print(json_data)

            # 提取音頻地址
            m4a_url = json_data['data']['src']
            # print(m4a_url)

            # 請求音頻數據
            m4a_data = requests.get(url=m4a_url, headers=headers).content

            new_title = change_title(title)
            # print(new_title)

            # 4.數據持久化(保存)
            with open('video\\' + new_title, mode='wb') as f:
                f.write(m4a_data)
                print('保存完成:', title)
        except:
            pass

 

運行代碼，效果以下圖