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台，彙集了有聲小說,有聲讀物,有聲書,FM電台,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？
今天帶大家爬取喜馬拉雅音頻數據，一起期待吧！！
這個案例的視頻地址在這裡
//v.douyu.com/show/a2JEMJj3e3mMNxml
項目目標
爬取喜馬拉雅音頻數據
受害者地址
//www.ximalaya.com/
本文知識點：
- 1、系統分析網頁性質
- 2、多層數據解析
- 3、海量音頻數據保存
環境：
- python 3.6
- pycharm
- requests
- parsel
思路：(爬蟲案例)
- 1.確定數據所在的鏈接地址(url)
- 2.通過代碼發送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.確定數據所在的鏈接地址(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裏面可以找到一個數據包
複製URL，搜索
找到ID值
繼續搜索，找到請求頭參數
url = '//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.通過代碼發送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 = '//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) # 替換為下劃線 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) # 替換為下劃線 return new_title for page in range(13, 33): print('---------------正在爬取第{}頁的數據----------------'.format(page)) # 1.確定數據所在的鏈接地址(url) 逆向分析 網頁性質(靜態網頁/動態網頁) url = '//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.通過代碼發送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 = '//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，效果如下圖
