Python爬虫入门教程17：酷某音乐网站的爬取

基本开发环境????

• Python 3.6
• Pycharm

相关模块的使用????

import os
import requests
import parsel
import re

安装Python并添加到环境变量，pip安装需要的相关模块即可。

一、????确定需求

爬取所有榜单上面的音乐

二、????网页数据分析

1、先找音乐的URL地址

点击播放，开发者工具里面就会有出现一个音乐播放地址。


2、找寻音乐url地址的来源。

https://webfs.yun.kugou.com/202102051451/598a943870c34115e8c290507183a2c9/G188/M06/18/09/_A0DAF34pOiABslMADSv-ykkq2s784.mp3

这样的音乐URL根本就不知道有什么规律，所以可以在开发者工具里面搜索来源。

两个url地址都是可以用的 ，因为有一个备用的url地址。

这些就是数据包的请求参数。一个链接是看不出来变化参数的。所以需要在对比一个音乐地址。

通过对比可以看到 hash，album_id 主要是这两个参数的变化，最后的那个参数是时间戳。也可以把它当作恒定不变的也可以。

3、找寻  hash，album_id 请求参数的来源

其实这两个参数在列表页面的网页源代码里面就有的


里面的音乐名字是需要转码的，不过我们只需要 hash 和  album_id  这两个参数就可以了，也不需要在这获取音乐名字。不过还是说一下吧。

遇到 \u591c\u591c\u591c\u6f2b\u957f如何转码

字符串.encode('utf-8').decode('unicode_escape')

既然知道了 hash 和  album_id  这两个参数 在网页的源代码里面就有，那现在只需要获取每个类目的url地址就可以爬取所有的榜单的音乐了。

直接请求网页就可以获取所有类目的url地址了

三、????代码实现

获取所有类目url地址以及标题

def get_type_url(html_url):
    response = get_response(html_url)
    selector = parsel.Selector(response.text)
    lis = selector.css('.pc_temp_side ul li')
    for li in lis:
        # 获取类目标题
        type_title = li.css('a::attr(title)').get()
        # 获取类目url
        type_url = li.css('a::attr(href)').get()
        print(f'正在爬取{type_title}', type_url)

获取请求参数 hash 以及 album_id

def get_music_info(type_url):
    response = get_response(type_url)
    result = re.findall('global\.features = \[(.*?)\]', response.text)[0].encode('utf-8').decode('unicode_escape')
    hash_num = re.findall('"Hash":"(.*?)"', result)
    album_id = re.findall('"album_id":(\d+),"', result)
    music_info = zip(hash_num, album_id)
    for index in music_info:
        music_hash = index[0]
        music_id = index[1]

获取音乐url 以及 音乐名

def get_music_url(music_hash, album_id):
    page_url = 'https://wwwapi.kugou.com/yy/index.php'
    params = {
        'r': 'play/getdata',
        'hash': music_hash,
        'dfid': '3ve7aQ2XyGmN0yE3uv3WcaHs',
        'mid': 'ac3836df72c523f46a85d8a5fd90fe59',
        'platid': '4',
        'album_id': album_id,
        '_': '1612508120385',
    }
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
    }
    response = requests.get(url=page_url, params=params, headers=headers)
    json_data = response.json()
    music_name = json_data['data']['audio_name']
    music_url = json_data['data']['play_url']

保存数据到本地

def save(music_name, music_url):
    path = 'music\\'
    if not os.path.exists(path):
        os.mkdir(path)
    music_content = get_response(music_url).content
    with open(path + music_name + '.mp3', mode='wb') as f:
        f.write(music_content)
        print('正在保存：', music_name)