Python爬虫实战案例：取喜马拉雅音频数据详解[Python基础]

  • Z时代
  • 2024-01-10
  • 分类：综合

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