Python爬虫--喜马拉雅三国音频爬取

本文以爬取喜马拉雅"三国演义-原文朗读【四大名著】"一书为例，演示下Python爬虫。

原书地址：http://www.ximalaya.com/4228109/album/268522/

1.进入地址我们可以发现，页面有着非常整齐的目录，那么网页源代码中肯定也有非常规律的目录，进去看看吧。

2.很明显猜对了，源代码中确实有这很明显的规律，每一章节都有着及其固定的模板：

但是这时候我们并找不到深层的规律，那么下一步我们尝试下播放一条音频，但不仅仅是播放，更重要的是要抓包！！！

3.打开浏览器抓包工具（F12），点击任意一条音频，这里我就以第一条为例了。

上面两张图是我抓取到的getURL和返回的json，可以看出返回的内容里确实有三条音频地址，复制到浏览器可以直接播放，听一听就是我们要的宝贝。重点来了，getURL中我圈出来的看着是不是很眼熟？不错，那个就是网页源代码里面每个章节URL里的一个值，而这个值就是每个章节的sound_id，再按照上面的步骤，操作其他章节看看，也是一样的规律。那么思路很清晰了，我们只需要把每个章节的ID的sound_id替换到getURL中不就可以获取到每个章节的音频了么？

4.开始写代码：

import requests
import re

#获取网页源代码&解决反爬
header = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
html = requests.get('http://www.ximalaya.com/4228109/album/268522/',headers=header)
print(html.text)
reg = '<a class="title" href="/4228109/sound/(.*?)/" hashlink title="(.*?)">'
name_url = re.findall(reg,html.text)
print(name_url)

这个时候我们可以看到，网页每个章节和对应sound_id都被找出来了。

5.返回的有没有很乱？确实很乱，但是返回的都是元组类型，那么我们来定义一个ID和标题吧。

for sound_id,title in name_url:
    print(sound_id,title)

看下效果，有没有耳目一新：

6.好了，回到最开始我们抓包的时候，我们的音频都在一个抓取的json里，开始拼接咱们的json URL

    json_url = 'http://www.ximalaya.com/tracks/'+str(sound_id)+'.json'
    print(title,json_url)

7.既然已经获取到了每个URL，那么现在去json里面取最终的音频URL吧

首先去请求下每个音频的json URL，然后正在匹配出最终的URL吧

    #获取每个音频的json URL
    json_url = 'http://www.ximalaya.com/tracks/'+str(sound_id)+'.json'
    # print(json_url)

    result = requests.get(json_url,headers=header)
    reg1 = '"play_path_64":"(.*?)"'
    
    #最终的音频URL数列
    sound_url = re.findall(reg1,result.text)
    #打印音频URL数列
    print(title,sound_url)

8.好了，URL都拿到了，可以去下载了。。。

 

最后，贴上完整代码：

import requests
import re
import time

#获取网页源代码&解决反爬
header = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
html = requests.get('http://www.ximalaya.com/4228109/album/268522/',headers=header)
# print(html.text)
reg = '<a class="title" href="/4228109/sound/(.*?)/" hashlink title="(.*?)">'
name_url = re.findall(reg,html.text)
# print(name_url)
for sound_id,title in name_url:
    # print(sound_id,title)

    #获取每个音频的json URL
    json_url = 'http://www.ximalaya.com/tracks/'+str(sound_id)+'.json'
    # print(json_url)

    #正则匹配出ID和音频URL
    result = requests.get(json_url,headers=header)
    reg1 = '"play_path_64":"(.*?)"'
    
    #最终的音频URL数列
    sound_url = re.findall(reg1,result.text)
    #打印音频URL数列
    # print(sound_url)
    # print(title,sound_url[0])

    data = requests.get(sound_url[0])
    with open(title+'.m4a','wb') as f:
        f.write(data.content)
        print('下载完成:',title)
        time.sleep(1)