曾经有这样的梗黑网易云音乐
实际上网易云是很不错的音乐软件之一。这个梗挺让我不舒服的,挫折谁都有,矫情没必要但对矫情之人冷嘲热讽更没必要难道不是么。题外话就到这吧。
引语
记录学习路程,抛砖引玉。如有更好的算法或者出现错误,欢迎指点。
知识总结
- 使用Requests库访问页面
- 使用XPath进行元素定位,爬取数据
- 解析、保存数据
Requests
Requests是Python HTTP的客户端库,编写爬虫的时候都会用到,编写起来也很简单。它有两种访问方式:Get和Post。这两者最直观的区别就是:Get把参数包含在url中,而Post通过request body来传递参数。
r = requests.post('http://xxx.com', data = {'key':'value'})
# data是传递的表单参数,data的数据类型是字典
"""
访问网易云如下:
"""
r = requests.get('http://music.163.com')
XPath
表达式含义node选取node节点的所有子节点/从根节点选取//选区所有当前节点,不考虑他们的位置.当前节点…父节点@属性选择|或,两个节点的合计text()当前路径下的文本内
表达式 | 含义 |
---|---|
node | 选取node节点的所有子节点 |
/ | 从根节点选取 |
// | 选区所有当前节点,不考虑他们的位置 |
. | 当前节点 |
… | 父节点 |
@ | 属性选择 |
I | 或,两个节点的合计 |
text() | 当前路径下的文本内容 |
例如:
- xpath(‘node’) 选取了node节点的所有子节点
- xpath(’/div’) 从根节点上选取div节点
- xpath(’//div’) 选取所有的div节点
- xpath(’./div’) 选取当前节点下的div节点
- xpath(’…’) 回到上一个节点
- xpath(’//@id’) 选取所有的id属性
- xpath(’//book[@id]’) 选取所有拥有名为id的属性的book元素
- xpath(’//book[@id=“abc”]’) 选取所有book元素,且这些book元素拥有id= "abc"的属性
- xpath(’//book/title | //book/price’) 选取book元素的所有title和price元素
HTML页面中涉及到的元素如列表List缩写是li;nide,div也是html中的知识。爬取网页需要我们对网页的知识有一定的了解,学习起来也不难。对于HTML的知识不会涉及,如果需要使用以后我可以再搜索相关知识进行学习,主体是了解以及掌握基本的爬虫知识。假如想要定位到HTML中的所有列表项目,可以采用下面这段代码:
from lxml import etree
html = etree.HTML(html)
result = html.xpath('//li')
案例
强调:本案例仅限于学习分享。不用于任何商业用途。
# 爬取网易云音乐 歌手的前50首歌曲的ID和名称
import requests
from lxml import etree
headers = {
'Referer': 'http://music.163.com',
'Host': 'music.163.com',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'User-Agent': 'Chrome/10'
}
# 得到指定歌手 热门前50的歌曲ID,歌曲名
def get_songs(artist_id):
page_url = 'https://music.163.com/artist?id=' + artist_id
# 获取对应HTML
res = requests.request('GET', page_url, headers=headers)
# XPath解析 前50的热门歌曲
html = etree.HTML(res.text)
href_xpath = "//*[@id='hotsong-list']//a/@href"
name_xpath = "//*[@id='hotsong-list']//a/text()"
hrefs = html.xpath(href_xpath)
names = html.xpath(name_xpath)
# 设置热门歌曲的ID,歌曲名称
song_ids = []
song_names = []
for href, name in zip(hrefs, names):
song_ids.append(href[9:])
song_names.append(name)
print(href, ' ', name)
return song_ids, song_names
# 设置歌手ID,陈奕迅为2116
artist_id = '2116'
[song_ids, song_names] = get_songs(artist_id)
结果如下:
/song?id=65766 富士山下
/song?id=65538 好久不见
/song?id=65533 红玫瑰
/song?id=65536 爱情转移
/song?id=28563317 阴天快乐
/song?id=65800 最佳损友
/song?id=65528 淘汰
/song?id=551816010 我们
/song?id=66282 浮夸
/song?id=64561 单车(Live)
/song?id=64634 一丝不挂
/song?id=1468192805 世界上不存在的歌 (2020重唱版)
/song?id=35403523 陪你度过漫长岁月
/song?id=64093 孤独患者
/song?id=31877628 十年(Live)
/song?id=28481103 你给我听好
/song?id=28481818 可以了
/song?id=65919 K歌之王 (Live)
/song?id=64317 因为爱情
/song?id=1462659723 Shall We Talk (Tre Lune MMXIX)
/song?id=65923 人来人往 (Live)
/song?id=64293 苦瓜
/song?id=66285 葡萄成熟时
/song?id=27867449 倾城
/song?id=65761 白玫瑰
/song?id=64126 内疚
/song?id=64048 完
/song?id=65312 明年今日 (2007 Live)
/song?id=64922 落花流水
/song?id=25730757 稳稳的幸福
/song?id=64443 约定(Live)
/song?id=64797 于心有愧
/song?id=31426608 无条件
/song?id=65769 不如不见
/song?id=64833 沙龙
/song?id=65904 十面埋伏 (Live)
/song?id=27483204 斯德哥尔摩情人
/song?id=66272 夕阳无限好
/song?id=64638 陀飞轮
/song?id=437802725 四季
/song?id=27483203 失忆蝴蝶
/song?id=64625 无人之境
/song?id=25638273 梦想天空分外蓝
/song?id=186331 最冷一天
/song?id=65758 裙下之臣
/song?id=27483202 任我行
/song?id=66265 阿牛
/song?id=64803 今天只做一件事
/song?id=33111726 喜欢一个人
/song?id=65900 防不胜防 (Live)