Python爬虫实战案例：取喜马拉雅音频数据详解

前言

今天带大家爬取喜马拉雅音频数据，一起期待吧！！

这个案例的视频地址在这里

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

项目目标

爬取喜马拉雅音频数据

受害者地址

https://www.ximalaya.com/

本文知识点：

• 1、系统分析网页性质
• 2、多层数据解析
• 3、海量音频数据保存

环境：

• python 3.6
• pycharm
• requests
• parsel

思路：(爬虫案例)

• 1.确定数据所在的链接地址(url)
• 2.通过代码发送url地址的请求
• 3.解析数据(要的, 筛选不要的)
• 4.数据持久化(保存)

案例思路：

• 1. 在静态数据中获取音频的id值
• 2. 发送指定id值json数据请求(src)
• 3. 从json数据中解析音频所对应的URL地址

开始写代码

先导入所需的模块

import requestsimport parsel # 数据解析模块import re

1.确定数据所在的链接地址(url) 逆向分析 网页性质(静态网页/动态网页)

打开开发者工具，播放一个音频，在Madie里面可以找到一个数据包

复制URL，搜索

找到ID值

继续搜索，找到请求头参数

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.通过代码发送url地址的请求

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

3.解析数据(要的, 筛选不要的) 解析音频的 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)        # 发送指定id值json数据请求(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)        # 提取音频地址        m4a_url = json_data['data']['src']        # print(m4a_url)        # 请求音频数据        m4a_data = requests.get(url=m4a_url, headers=headers).content        new_title = change_title(title)

4.数据持久化(保存)

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

最后还要处理文件名非法字符

def change_title(title):    pattern = re.compile(r'[\/\\\:\*\?\'\<\>\|]')  # '/ \ : * ? ' < > |'    new_title = re.sub(pattern, '_', title)  # 替换为下划线    return new_title

完整代码

import reimport requestsimport parsel # 数据解析模块def change_title(title): '''处理文件名非法字符的方法''' pattern = re.compile(r'[\/\\\:\*\?\'\<\>\|]') # '/ \ : * ? ' < > |' new_title = re.sub(pattern, '_', title) # 替换为下划线 return new_titlefor page in range(13, 33): print('---------------正在爬取第{}页的数据----------------'.format(page)) # 1.确定数据所在的链接地址(url) 逆向分析 网页性质(静态网页/动态网页) 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.通过代码发送url地址的请求 response = requests.get(url=url, headers=headers) html_data = response.text # print(html_data) # 3.解析数据(要的, 筛选不要的) 解析音频的 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) # 发送指定id值json数据请求(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) # 提取音频地址 m4a_url = json_data['data']['src'] # print(m4a_url) # 请求音频数据 m4a_data = requests.get(url=m4a_url, headers=headers).content new_title = change_title(title) # print(new_title) # 4.数据持久化(保存) with open('video\\' + new_title, mode='wb') as f: f.write(m4a_data) print('保存完成:', title) except: pass

运行代码，效果如下图

完整代码后台私信小编01即可