爬取网易云音乐的歌单。
打开歌单的url: http://music.163.com/#/discov...,然后用lxml.html提取播放数3715。结果表明,我们什么也没提取到。难道我们打开了一个假的网页?
动态网页:所谓的动态网页,是指跟静态网页相对的一种网页编程技术。静态网页,随着html代码的生成,页面的内容和显示效果就基本上不会发生变化了——除非你修改页面代码。而动态网页则不然,页面代码虽然没有变,但是显示的内容却是可以随着时间、环境或者数据库操作的结果而发生改变的。
值得强调的是,不要将动态网页和页面内容是否有动感混为一谈。这里说的动态网页,与网页上的各种动画、滚动字幕等视觉上的动态效果没有直接关系,动态网页也可以是纯文字内容的,也可以是包含各种动画的内容,这些只是网页具体内容的表现形式,无论网页是否具有动态效果,只要是采用了动态网站技术生成的网页都可以称为动态网页。
现在我们明白了,这是一个动态网页,我们得到它的时候,歌单还没请求到呢,当然什么都提取不出来!
我们之前的技术不能执行那些让页面产生各种神奇效果的JavaScript 代码。如果网站的HTML页面没有运行JavaScript,就可能和你在浏览器里看到的样子完全不同,因为浏览器可以正确地执行JavaScript。用Python 解决这个问题只有两种途径:直接从JavaScript 代码里采集内容,或者用Python 的第三方库运行JavaScript,直接采集你在浏览器里看到的页面。我们当然选择后者。今天第一课,不深究原理,先简单粗暴的实现我们的小目标。
Selenium:是一个强大的网络数据采集工具,其最初是为网站自动化测试而开发的。近几年,它还被广泛用于获取精确的网站快照,因为它们可以直接运行在浏览器上。Selenium 库是一个在WebDriver 上调用的API。WebDriver 有点儿像可以加载网站的浏览器,但是它也可以像BeautifulSoup对象一样用来查找页面元素,与页面上的元素进行交互(发送文本、点击等),以及执行其他动作来运行网络爬虫。安装方式与其他Python第三方库一样
安装: pip3 install Selenium
验证一下:
Selenium 自己不带浏览器,它需要与第三方浏览器结合在一起使用。例如,如果你在Firefox 上运行Selenium,可以直接看到一个Firefox 窗口被打开,进入网站,然后执行你在代码中设置的动作。虽然这样可以看得更清楚,但不适用于我们的爬虫程序,爬一页就打开一页效率太低,所以我们用一个叫PhantomJS的工具代替真实的浏览器。
PhantomJS:是一个"无头”(headless)浏览器。它会把网站加载到内存并执行页面上的JavaScript,但是它不会向用户展示网页的图形界面。把Selenium和PhantomJS 结合在一起,就可以运行一个非常强大的网络爬虫了,可以处理cookie、JavaScript、header,以及任何你需要做的事情。
PhantomJS并不是Python的第三方库,不能用pip安装。它是一个完善的浏览器,所以你需要去它的官方网站下载,然后把可执行文件拷贝到Python安装目录的Scripts文件夹, 或者随便一个目录在PATH中的目录
开始干活!
用Chrome的"开发者工具”F12先分析一下,很容易就看穿了一切。
播放数nb (number broadcast):29915
封面 msk (mask):有标题和url
同理,可以找到"下一页”的url,最后一页的url是"javascript:void(0)”。
最后,让我们用代码完成工作。
from selenium import webdriver
url = "https://music.163.com/#/discover/playlist/?order=hot&cat=%E5%85%A8%E9%83%A8&limit=35&offset=0"
driver = webdriver.PhantomJS()
driver.get(url) # 加载页面
driver.switch_to.frame("contentFrame") # 切换到歌单所在的iframe
# 歌单所有项目的包裹元素
data = driver.find_element_by_id('m-pl-container').find_elements_by_tag_name('li')
for d in data:
nb = d.find_element_by_class_name('nb').text # 播放数
msk = d.find_element_by_css_selector("a.msk")
print(msk.get_attribute('title'), nb, msk.get_attribute('href'))
结果
由于selenium在不久的将来会放弃对phantomjs的支持, 所以这里也提供一个替代方案,使用chrome的headless模式。使用这个模式你需要下载chromedriver, 并把这个文件所在目录加到PATH, 也可以拷贝到python路径下面
from selenium import webdriver
url = "https://music.163.com/#/discover/playlist/?order=hot&cat=%E5%85%A8%E9%83%A8&limit=35&offset=0"
chromeOptions = webdriver.ChromeOptions()
chromeOptions.add_argument("headless")
driver = webdriver.Chrome(chrome_options=chromeOptions)
driver.get(url) # 加载页面
driver.switch_to.frame("contentFrame") # 切换到歌单所在的iframe
# 歌单所有项目的包裹元素
data = driver.find_element_by_id('m-pl-container').find_elements_by_tag_name('li')
for d in data:
nb = d.find_element_by_class_name('nb').text # 播放数
msk = d.find_element_by_css_selector("a.msk")
print(msk.get_attribute('title'), nb, msk.get_attribute('href'))
最后打个广告, 天气变化快, 大家注意加衣