python 喜马拉雅_Python爬虫入门教程14：喜马拉雅有声书音频爬取

基本开发环境????Python 3.6

Pycharm

相关模块的使用????import requests

import os

安装Python并添加到环境变量，pip安装需要的相关模块即可。

一、????明确目标

爬取免费的播放量最多的有声书，如果你想要爬取付费的也是可以，那你得先开一个会员，

爬虫是看的到才能爬。

二、????网页数据分析

点击任意一个音频章节点击播放。在开发者工具中选择 Media 会加载出一个数据

复制这个链接会自动下载一个可播放的音频文件。

听内容是和网站上面的有声小说是一样的。所以这个就是音频数据的真实url地址。

接下来就要分析找到这个数据来源。

在开发者工具中搜索 wKgJJ1eKo-3xGS0KAFIc8J_87NE024 框选的内容就是音频本身，所有查看第一个地址。

https://www.ximalaya.com/revision/play/v1/audio?id=18556416&ptype=1

这个数据里面包含了音频地址。

其实这个 id=18556416 就是每个音频的ID值了。同样的在开发者工具中进行搜索。

有声书名字，音频ID，章节名字都有了。但是当我查看第二页数据的时候发现，并不是这个链接，而是另外一个链接。https://www.ximalaya.com/revision/album/v1/getTracksList?albumId=4756811&pageNum=2

还是有一些区别的，所以我们应该请求的是第二个链接

???? 整体思路分析1、通过 'https://www.ximalaya.com/revision/album/v1/getTracksList?albumId=4756811&pageNum=2'

url地址获取每章音频的ID以及章节名字

2、通过 'https://www.ximalaya.com/revision/play/v1/audio?id=18556416&ptype=1' url地址获取

每章音频的下载地址

3、请求音频地址，进行本地保存

三、????代码实现

1、获取获取每章音频的ID以及章节名字def get_audio_info(html_url):

json_data = get_response(html_url).json()

audio_info = json_data['data']['tracks']

for index in audio_info:

# 音频ID

audio_id = index['trackId']

# 章节名字

audio_title = index['title']

# 有声书小说名字 《摸金天师》第001章 百辟刀

audio_name = audio_title.split('第')[0]

2、获取音频urldef get_audio_url(audio_id):

page_url = f'https://www.ximalaya.com/revision/play/v1/audio?id={audio_id}&ptype=1'

json_data = get_response(page_url).json()

audio_url = json_data['data']['src']

return audio_url

3、保存音频def save(name, title, audio_url):

path = f'{name}\\'

if not os.path.exists(path):

os.makedirs(path)

audio_content = get_response(audio_url).content

with open(path + title + '.m4a', mode='wb') as f:

f.write(audio_content)

print('正在保存：', title)

????完整实现代码import requests

import os

def get_response(html_url):

header = {

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'

}

response = requests.get(url=html_url, headers=header)

return response

def save(name, title, audio_url):

path = f'{name}\\'

if not os.path.exists(path):

os.makedirs(path)

audio_content = get_response(audio_url).content

with open(path + title + '.m4a', mode='wb') as f:

f.write(audio_content)

print('正在保存：', title)

def get_audio_url(audio_id):

page_url = f'https://www.ximalaya.com/revision/play/v1/audio?id={audio_id}&ptype=1'

json_data = get_response(page_url).json()

audio_url = json_data['data']['src']

return audio_url

def get_audio_info(html_url):

json_data = get_response(html_url).json()

audio_info = json_data['data']['tracks']

for index in audio_info:

# 音频ID

audio_id = index['trackId']

# 章节名字

audio_title = index['title']

# 有声书小说名字 《摸金天师》第001章 百辟刀

audio_name = audio_title.split('第')[0]

audio_url = get_audio_url(audio_id)

save(audio_name, audio_title, audio_url)

if __name__ == '__main__':

for page in range(1, 39):

url = f'https://www.ximalaya.com/revision/album/v1/getTracksList?albumId=4756811&pageNum={page}'

get_audio_info(url)