运用多进程与进程池进行喜马拉雅快速爬取

import requests
from lxml import etree
import os
from urllib import request

# def base_response():
def list_url(queue):
    # 这里没有设置页数, 只设置了固定当前页
    base_url = 'https://www.ximalaya.com/xiangsheng/9723091' 
    headers ={
        'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
        'Cookie':'Hm_lvt_4a7d8ec50cfd6af753c4f8aee3425070=1534771185,1534771396,1534771412; Hm_lpvt_4a7d8ec50cfd6af753c4f8aee3425070=1534771412'
    }
    # 进行第一次请求
    response = requests.get(base_url,headers=headers)
    html = response.text
    # 匹配页面中每首歌的 href路径
    html_ele = etree.HTML(html)
    html_url = html_ele.xpath('//*[@class="dOi2"]/li/div[2]/a/@href')
    html_href = 'https://www.ximalaya.com/revision/play/tracks?trackIds='
    # xpath 匹配 返回过来的是列表类型
    for i in html_url:
        # 截取最后一串id数字与列表页的 路径进行拼接
        # 分析列表页中的路由尾部id 与 点击播放的ajax地址尾部的id一样,并且其余部分都相同
        # 所以 我们就不需要再次请求到详情歌曲内再次获取了
        ob = html_href + i.split('/')[-1]
        html_url_src(ob,queue,headers)
# html_url = html_ele.xpath('//*[@id="root"]/main/section/div/div[2]/div[1]/div[2]/div[2]/ul/li/div[2]/a/@href')
def html_url_src(href_scr,queue,headers):
    # 向 每首歌的ajax url发送请求
    ob_response = requests.get(href_scr,headers=headers)
    ajax_data = ob_response.json()
    ajax_tracksForAudioPlay=ajax_data['data']['tracksForAudioPlay']
    for x in ajax_tracksForAudioPlay:
        ajax_src = x['src'] # 获取 每一首个的下载地址
        ajax_name = x['trackName'] # 获取每首歌的 名称
        # 存入通讯列队中
        queue.put((ajax_src,ajax_name))

def download_src(src_mp4):
    print(src_mp4)
    if not os.path.exists('dowlond'):
        os.mkdir('dowlond')
    (ajax_src,ajax_name) = src_mp4
    faml = 'dowlond/'+ajax_name+'.mp4'
    ob = request.urlretrieve(ajax_src,faml)



if __name__ == '__main__':
    from multiprocessing import Queue,Process,Pool

    # 创建 通讯
    q = Queue()
    # 创建进程 进行获取第一次请求的url
    process = Process(target=list_url,args=(q,))
    process.start()
    # 创建进程池进行 批量下载(最大进程数为10)
    download_pool = Pool(10)
    for i in range(0,340):
        # 从通讯列队中获取 存入的 下载地址与名称
        src_mp4 = q.get()
        download_pool.apply_async(download_src,(src_mp4,))
    download_pool.close()
    download_pool.join()
    process.join()






    # list_response = requests.get(i,headers=headers)
    # print(list_response)




# if __name__ == '__main__':
#     ob = base_response()
#     print(ob)

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值