知道了这些以后,就可以开始爬虫获取了
首先我们通过soup_body.select("body script")[3].get_text()
语句获得这个script标签的文本
通过观察,url地址都是以”url“:"
为起始,以引号"
作为结束,所以我们不难写出匹配url地址的正则表达式:r'"url":"([^"]*)"'
括号中的内容即我们希望获得的mp3资源
通过re.search(pattern1, script).group(1)
语句即可获得括号中的内容
由于获得的地址中会有转义字符/,所以我们需要用replace(r'\/', '/')
将其置换为/
def get_song_detail(self, keyword): # 呈现搜索结果于界面
result = r’https://www.8lrc.com’ # 搜索结果的基础地址
pattern = r’(.) - (.)’ # 得到歌名的正则表达式
pattern1 = r’“url”:“([^”]*)"’ # 得到歌曲资源的正则表达式
self.keyword = keyword
self.names = []
self.musics = []
self.lyric = []
self.num = 0
for tag in self.tags[0:]:
if re.match(pattern, tag.text):
res_body = requests.get(result + tag[‘href’])
soup_body = BeautifulSoup(res_body.text, ‘html.parser’)
if soup_body.text.contains(“404”): continue
script = soup_body.select(“body script”)[3].get_text()
pre_music = re.search(pattern1, script).group(1)
self.names.append(re.split(pattern, tag.text)[1]) # 获取歌名
self.musics.append(pre_music.replace(r’/', ‘/’)) # 获取歌曲资源
self.num = self.num+1
self.song_show()
此处会有可能会出现一个问题,就是通过第一步获得的歌曲网址未必能打开,有的歌曲没有版权所以访问会出现404的情况,为了避免程序报错,我们需要跳过404的页面,所以有语句:if soup_body.text.__contains__("404"): continue
歌词方面同上都是先写出正则表达式,然后匹配得到结果,此处便不再演示,需要注意的是得到的歌词都带着\r\n字符,这显然不是我们所希望的,所以我们使用lyric.replace(r'\r\n', '\n')
语句将这些字符转换为换行符,即可实现每句歌词占一行
这个部分我们爬取的网站地址为:http://m.yue365.com/bang/box100_w.shtml
步骤与上文无太大差别
值得一提的是该网站使用的编码是’gb2312’,而我们的编译器一般默认编码是utf-8,所以会出现乱码的情况
所以我们应该对获得的响应体设置编码
对于获取到的数据,我们采用excel存储
首先使用xlsxwriter.Workbook('popsongs.xlsx')
创建一个名为popsongs的excel文件,可以再参数中设置格式,也可以利用add_format()创建格式
随后创建一个表单workbook.add_worksheet('pop500')
命名为pop500,并使用 worksheet.set_column()
设置列宽(第一个参数为起始列,第二个参数为终止列,第三个参数为长度,行数列数都从0开始)
之后就可以使用worksheet.write_row(row, 0, ['排名', '歌名', '歌曲url', '歌曲热度'], first_format)
对每一行写入数据了,第一个参数为目标行,第二个参数为起始列,第三个参数为写入的值,从起始列开始写入列表中的值,第四个参数为之前所创建的格式
最后记得关闭excel文件,便大功告成了
def pop_songs(self):
row = 0
base = ‘http://m.yue365.com/’
url = ‘http://m.yue365.com/bang/box100_w.shtml’
pattern = r’width:(.*)%’
self.hot = []
res_body = requests.get(url)
res_body.encoding = ‘gb2312’
soup_body = BeautifulSoup(res_body.text, ‘lxml’)
songs = soup_body.findAll(class_=‘name’)
hot = soup_body.findAll(‘span’, class_=‘dib’)
workbook = xlsxwriter.Workbook(‘popsongs.xlsx’)
first_format = workbook.add_format({‘align’: ‘center’})
second_format = workbook.add_format({‘align’: ‘left’})
worksheet = workbook.add_worksheet(‘pop500’)
worksheet.set_column(0, 0, 6)
worksheet.set_column(1, 1, 20)
worksheet.set_column(2, 2, 46)
worksheet.set_column(3, 3, 10)
worksheet.write_row(row, 0, [‘排名’, ‘歌名’, ‘歌曲url’, ‘歌曲热度’], first_format)
for song in songs:
self.hot.append(re.split(pattern, hot[row*2+1][‘style’])[1])
row += 1
song_url = base+song.a[‘href’]
worksheet.write_row(row, 0, [row, song.a.text, song_url, self.hot[row-1]], second_format)
workbook.close()
os.startfile(‘popsongs.xlsx’)
使用os.startfile('popsongs.xlsx')
在写完数据后自动打开文件
这个部分我们爬取的网站地址为:https://www.9ku.com/geshou/all-all-liuxing.htm
最后
🍅 硬核资料:关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助:技术群大佬指点迷津,你的问题可能不是问题,求资源在群里喊一声。
🍅 面试题库:由技术群里的小伙伴们共同投稿,热乎的大厂面试真题,持续更新中。
🍅 知识体系:含编程语言、算法、大数据生态圈组件(Mysql、Hive、Spark、Flink)、数据仓库、Python、前端等等。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!