主要运用了Python中的Requests包和json包获取内容,写入到Mongodb数据库并保存,pandas用于导出数据,代码详细我最后会给出github
我发现html源码并没有我想要的数据,所以分析了Ajax请求,得到了我想要的数据。
在Chrome按F12(或Fn+F12)打开开发者工具,在Network中选择JS,并且刷新页面,找到关于歌单的渲染连接。
点击Headers获取链接https://c.y.qq.com/splcloud/fcgi-bin/fcg_get_diss_by_tag.fcg,注意参数和headers信息
必须传入referer参数,不然你会得不到请求。它的返回内容只要提取getPlaylist()里面的内容就是json内容,我们可以用json包解析得到一个基于字典(dict)格式的数据块。代码函数如下:
#爬取歌单id
def getDissid(sin,ein):
url = 'https://c.y.qq.com/splcloud/fcgi-bin/fcg_get_diss_by_tag.fcg'
header = {
'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36',
'cookie':'RK=7dNm4/X+Yj; tvfe_boss_uuid=bf00ee54e9081ab4; pgv_pvi=8772238336; pac_uid=1_857193777; pgv_pvid=6457341280; o_cookie=80; ptcz=c761e59c8c8d6bd5198866d02a5cb7313af1af468006c455d6c2b5d26201d42e; pgv_si=s10759168; _qpsvr_localtk=0.08285763449905015; ptisp=ctc; luin=o0857193777; lskey=00010000228dd1371b945c68ecfd3b71d3071425024a7a8a2a23e3ffcb5b9904c9f7088d2ea8c01539ffed92; pt2gguin=o0857193777; uin=o0857193777; skey=@Kydi7w0EI; p_uin=o0857193777; p_skey=HjsE9sEjznJfXk*9KFEeW4VZr6i3*tlXZ2nuzEw8kCg_; pt4_token=c-p6sv3JEboA51cSQ3ABqxM8O80Jct3jYYkgy-aEQuE_; p_luin=o0857193777; p_lskey=000400008f9c296cd10c03a5173d22a184aad124d791568e90e4198beb8ad699a4d02fbfc059f71ab3d8758c; ts_last=y.qq.com/portal/playlist.html; ts_refer=ui.ptlogin2.qq.com/cgi-bin/login; ts_uid=3392060960',
'referer':'https://y.qq.com/portal/playlist.html'
}
paramter = {
'g_tk':'1089387893',
'jsonpCallback':'getPlaylist',
'loginUin':'0',
'hostUin':'0',
'format':'jsonp',
'inCharset':'utf8',
'outCharset':'utf-8',
'notice':'0',
'platform':'yqq',
'needNewCode':'0',
'categoryId':'10000000',
'sortId':'5',
'sin':sin,#开始结点
'ein':ein #结束结点,用于翻页
}
html = requests.get(url=url,params=paramter,headers=header)
res = json.loads(html.text.lstrip('getPlaylist(').rstrip(')'))['data']['list']
data = []
if res != []:
for t_item in res:
item = {}
ILLEGAL_CHARACTERS_RE = re.compile(r'[\000-\010]|[\013-\014]|[\016-\037]') #用于去掉非法字符
item['createtime'] = t_item['createtime']
item['creator_qq'] = t_item['creator']['qq']
item['creator_name'] = t_item['creator']['name']
item['creator_name'] = ILLEGAL_CHARACTERS_RE.sub(r'', item['creator_name'])
item['creator_isVip'] = t_item['creator']['isVip']
item['dissid'] = t_item['dissid'] #
item['dissname'] = t_item['dissname']
item['dissname'] = ILLEGAL_CHARACTERS_RE.sub(r'', item['dissname'])
item['listennum'] = t_item['listennum']
data.append(item)
return data
代码如下
#爬取歌曲id
def getSongid(dissid):
url = 'https://c.y.qq.com/qzone/fcg-bin/fcg_ucc_getcdinfo_byids_cp.fcg'
header = {
'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36',
'referer':'https://y.qq.com/n/yqq/playlist/{}.html'.format(dissid)
}
paramters = {
'type':'1',
'json':'1',
'utf8':'1',
'onlysong':'0',
'disstid':dissid,
'format':'jsonp',
'g_tk':'1089387893',
'jsonpCallback':'playlistinfoCallback',
'loginUin':'0',
'hostUin':'0',
'inCharset':'utf8',
'outCharset':'utf-8',
'notice':0,
'platform':'yqq',
'needNewCode':0
}
html = requests.get(url=url,params=paramters,headers=header)
cdlist = json.loads(html.text.lstrip('playlistinfoCallback(').rstrip(')'))['cdlist']
if len(cdlist)>=1:
cdlist = cdlist[0]
data1 = {} #保存歌单信息数据
data2 = [] #用于保存歌曲部分信息
ILLEGAL_CHARACTERS_RE = re.compile(r'[\000-\010]|[\013-\014]|[\016-\037]')
data1['desc'] = ILLEGAL_CHARACTERS_RE.sub(r'', cdlist['desc'])
data1['dissid'] = dissid
data1['songids'] = cdlist['songids']
data1['tags'] = ','.join([i['name'] for i in cdlist['tags']])
tags = ','.join([i['name'] for i in cdlist['tags']])
for item in cdlist['songlist']:
tmp = {}
tmp['albumname'] = item['albumname']
tmp['songname'] = item['songname']
tmp['singer'] = ','.join([i['name'] for i in item['singer']])
tmp['tags'] = tags
if item.has_key('size128'):
tmp['size128'] = item['size128']
if item.has_key('songmid'):
tmp['songmid'] = item['songmid']
if item.has_key('songid'):
tmp['songid'] = item['songid']
data2.append(tmp)
return [data1,data2]
歌曲详细信息数据的获取,用同样的方法分析接口链接,并且传入歌曲id,这里就不累赘重复方法了,这一步主要目的是获取歌词,用于后续的文本分析。这里要注意的是,由于歌词源码是如图所示的内容,因此我们利用正则对歌词做了稍微的清洗。
#获取歌词内容
def getLyric(musicid,songmid):
url = 'https://c.y.qq.com/lyric/fcgi-bin/fcg_query_lyric.fcg'
header = {
'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36',
'referer':'https://y.qq.com/n/yqq/song/{}.html'.format(songmid)
}
paramters = {
'nobase64':1,
'musicid':musicid, #传入之前获取到的id
'callback':'jsonp1',
'g_tk':'1134533366',
'jsonpCallback':'jsonp1',
'loginUin':'0',
'hostUin':'0',
'format':'jsonp',
'inCharset':'utf8',
'outCharset':'utf-8',
'notice':'0',
'platform':'yqq',
'needNewCode':'0'
}
html = requests.get(url=url,params=paramters,headers=header)
res = json.loads(html.text.lstrip('jsonp1(').rstrip(')'))
#由于一部分歌曲是没有上传歌词,因此没有默认为空
if res.has_key('lyric'):
lyric = json.loads(html.text.lstrip('jsonp1(').rstrip(')'))['lyric']
#对歌词内容做稍微清洗
dr1 = re.compile(r'\d.;',re.S)
dr2 = re.compile(r'\[\d+\]',re.S)
dd = dr1.sub(r'',lyric)
dd = dr2.sub(r'\n',dd).replace('\n\n','\n')
return dd
else:
return ""
这里在爬取歌曲信息信息和歌词的时候,因为获取到的歌曲id就有70多W(包括重复的),建议开启多线程或者多进程,我就是用pool.map开启了4进程爬取,效率提高了不止4倍,大概2天就爬完了(当然每个人电脑配置不一样,我的比较渣)
心得:
1.获取QQ音乐的接口链接其实不是很难,数据也是很明显就看到了。
2.一开始明明是请求成功,就是返回空数据,后来才发现原来是headers传少了referer参数,因为原先没有传入referer的习惯,忽略了。
3,.歌曲时长里面是没有具体数据的,只有文件大小,不过我想应该可以根据文件大小转化为时长,差个公式。
4.代码中用到了Mongo数据库,因为数据量有点多,不能保证一次性跑完并且中途不出差错,就没有用pandas.to_csv最后写入数据。
详细代码链接:https://github.com/lhtlht/qqmusic
写的不好,多多指正,谢谢!