Python大作业——爬虫+可视化+数据分析+数据库

这个部分我们爬取的网站地址为：https://www.8lrc.com/search

尝试在这个页面进行搜索后我们很容易发现**，搜素框输入的结果直接作为get请求的参数，键为‘key’**

那么就很简单了，我们通过在界面搜索框的回车事件绑定爬虫函数，将搜索框中的内容作为参数传给函数，之后将参数拼接到https://www.8lrc.com/search后面并发送get请求即可得到响应体

随后使用BeautifulSoup中的html解析器对响应体文本进行解析

接下来通过f12查看页面元素

我们会发现，查询到的每首歌曲的跳转信息都在一个类名为”tGequ“的a标签里

那么我们就可以使用findAll函数获得所有歌曲的a标签

def search(self, keyword):

self.play_index_now = -1 # 每次重新搜索都将当前播放序号设置为-1

urlbase = r’https://www.8lrc.com/search’ # 搜索的基础地址

params = {‘key’: keyword} # 封装搜索的参数

res_body = requests.get(urlbase, params) # 拼接url，发送请求

soup_body = BeautifulSoup(res_body.text, ‘html.parser’) # html解析获得响应文本

self.tags = soup_body.findAll(class_=‘tGequ’) # 得到查询结果

通过tag[‘href’]即可得到其中的href属性值

由于这是一个相对地址，只要在前面加上baseurl：https://www.8lrc.com即可得到对应歌曲的链接

获取歌曲音频资源及歌词

接着我们访问具体歌曲如https://www.8lrc.com/geci/1130167.htm，希望获得其歌曲的资源以及歌词

同样打开开发者工具，可以发现在第四个script标签中的setPlayer函数里有一个url地址，且其以.mp3为后缀，结合这是一个播放器，我们不难想到这就是歌曲的音频资源，而下面的显然就是我们所需要的歌曲的歌词

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

二、爬取热门歌曲

---

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’)