主要分为爬虫调度器,URL管理器,网页下载器,网页解析器,价值数据
爬虫调度器:来开启抓取数据
URL管理器:主要来负责管理访问的URL,包括为了防止重复访问用Set数据结构来保存,已经访问过的URL和未访问过的URL
网页下载器:用来获取网页内容,常用的urllib2和selenium库,其中selenium库可以调用网页交互操作和js加载后的数据,本文用selenium库来获取网页数据
网页解析器:主要从网页内容分解出我们需要的内容,如访问的url,文本内容,常用的库为BeautifulSoup库,也常用re库开正则查找
价值数据:为我们需要的数据
任务
央广或者地方台广播中有许多优秀的作品,比如经济广播中有一个节目《每当夜晚来临的时候》,我们想要获得之前的节目时,幸运的是,央广网主页时提供以往节目,我们手动下载比较多,耗时耗力,我们就可以利用爬虫技术,从网页中解析获得下载URL------->下载文件-------->加载下一页-------->解析下载URL------->.......
实现
- 网页下载器 采用selenium,使用PhantomJS时需要下载相关的程序,下载地址,然后放在python的Scripts文件夹下
from selenium import webdriver
driver = webdriver.PhantomJS()
url='http://www.radio.cn/pc-portal/sanji/zhibo_2.html?channelname=2&name=520799&title=radio#'
driver.get(url)
print(driver.page_source)
打印出网页内容,就可以看到html内容
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"><html xmlns="http://www.w3.org/1999/xhtml" xml:lang="utf-8" lang="utf-8" style="position: relative; height: 100%;"><head><script type="text/javascript" src="http://bdimg.share.baidu.com/static/api/js/view/share_view.js?v=3ae6026d.js"></script><script type="text/javascript" src="http://bdimg.share.baidu.com/static/api/js/share/share_api.js?v=226108fe.js"></script>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8">
<title>中国广播Radio.cn</title>
<meta name="filetype" content="0">
<meta name="publishedtype" content="1">
<meta name="pagetype" content="1">
<meta name="catalogs" content="radio10">
<meta name="contentid" content="520799">
<meta name="publishdate" content="">
- 网页解析器 主要是来获得下载链接,在网页上选中“下载”右键选择检查,可以得到我们需要的节点
<a href="#" onclick="downLiveRecord('cnvod.cnr.cn/audio2018/live/jjzs/201903/mdywlldsh_20190322231021jjzs_h.m4a','每当夜晚来临的时候');" style="color:#4876FF">下载</a>
利用 BeautifulSoup来查找该节点
html_cont = driver.page_source
soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')
links = soup.find_all('a', onclick=re.compile(r"downLiveRecord"))
html_code = links[0]
print(links[0])
根据上面可以得到结果
<a href="#" onclick="downLiveRecord('cnvod.cnr.cn/audio2018/live/jjzs/201903/mdywlldsh_20190322231021jjzs_h.m4a','每当夜晚来临的时候');" style="color:#4876FF">下载</a>
利用正则查找,找到下载url
results = re.findall(r"cnvod.*m4a",str(html_code))
print(results)
words = results[0].split('/')
folder_name = words[-2]
file_name = words[-1]
print(folder_name, file_name)
可以得到下载链接,以及其他的信息
['cnvod.cnr.cn/audio2018/live/jjzs/201903/mdywlldsh_20190322231021jjzs_h.m4a']
201903 mdywlldsh_20190322231021jjzs_h.m4a
- URL管理器 可以将上面的url用set管理起来等操作,这里说一下怎么加载下一页
driver.find_element_by_xpath("//a[contains(text(),'下一页')]").click()# selenium的xpath用法,找到包含“下一页”的a标签去点击
- 音频下载
down_url = r"http://"+str(results[0])
r = requests.get(down_url,stream=True) #stream=True #开启时时续续的下载的方式
total_size = int(r.headers['Content-Length'])
temp_size = 0
with open(file_name, 'wb') as f:
for chunk in r.iter_content(chunk_size=1024): #chunk_size #设置每次下载文件的大小
temp_size += len(chunk)
f.write(chunk) #每一次循环存储一次下载下来的内容
f.flush()
done = int(50 * temp_size / total_size)
sys.stdout.write("\r[%s%s] %d%%" % ('█' * done, ' ' * (50 - done), 100 * temp_size / total_size))
sys.stdout.flush()
完整代码
import os
import re
import sys
import time
import requests
from bs4 import BeautifulSoup
from selenium import webdriver
def download(file_name, down_url):
r = requests.get(down_url,stream=True)
total_size = int(r.headers['Content-Length'])
temp_size = 0
try:
with open(file_name, 'wb') as f:
for chunk in r.iter_content(chunk_size=1024): #chunk_size #设置每次下载文件的大小
temp_size += len(chunk)
f.write(chunk) #每一次循环存储一次下载下来的内容
f.flush()
done = int(50 * temp_size / total_size)
sys.stdout.write("\r[%s%s] %d%%" % ('█' * done, ' ' * (50 - done), 100 * temp_size / total_size))
sys.stdout.flush()
except:
print('download failed')
def main(url):
driver = webdriver.PhantomJS()
#url='http://www.radio.cn/pc-portal/sanji/zhibo_2.html?channelname=2&name=520799&title=radio#'
driver.get(url)
page = 0
while page < 51:
soup = BeautifulSoup(driver.page_source, "html.parser", from_encoding='utf-8')
links = soup.find_all('a', onclick=re.compile(r"downLiveRecord"))
for link in links:
url = re.findall(r"cnvod.*m4a",str(link))
print("page = %d, %s" % (page, url[0]))
words = url[0].split('/')
folder_name = words[-2]
file_name = words[-1]
#下载
if os.path.exists(folder_name) == False:
os.makedirs(folder_name)
file_name = folder_name + r'/'+ file_name
down_url = r"http://"+str(url[0])
download(file_name, down_url)
#下一页
try:
driver.find_element_by_xpath("//a[contains(text(),'下一页')]").click()# selenium的xpath用法,找到包含“下一页”的a标签去点击
except:
print('load next page failed')
page = page + 1
time.sleep(2)
print('finish')
if __name__ == "__main__":
root_url = "http://www.radio.cn/pc-portal/sanji/zhibo_2.html?channelname=2&name=520799&title=radio#"
main(root_url)
结果