Python爬虫实战案例:取喜马拉雅音频数据详解[Python基础]

python

前言

喜马拉雅是专业的音频分享平台,汇集了有声小说,有声读物,有声书,FM电台,儿童睡前故事,相声小品,鬼故事等数亿条音频,我最喜欢听民间故事和德云社相声集,你呢?

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 requests

import 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 re

import requests

import 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_title

for 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

以上是 Python爬虫实战案例:取喜马拉雅音频数据详解[Python基础] 的全部内容, 来源链接: utcz.com/z/530816.html

回到顶部