【爬虫二】爬取豆瓣音乐榜单

---

---

前言

　　借助有效率的工具，可以让我们更加方便的写出爬虫程序。本篇使用request和bs4库爬取豆瓣音乐榜单。

介绍

豆瓣音乐榜单：https://music.douban.com/top250

bs4：Beautiful Soup 4 是一个可以从HTML或XML文件中提取数据的Python库。它能够通过你喜欢的转换器实现惯用的文档导航、查找、修改文档的方式。Beautiful Soup会帮你节省数小时甚至数天的工作时间。

一、获取网页html

def download_page(url):
    headers = {
        'User-Agent':'查看自己的User-Agent，粘贴到此处'
    }

    data = requests.get(url, headers=headers).content
    return data

　　不添加headers可能导致403，无法获取网页源码，这是因为操作被服务器认为是爬虫而拒绝访问。服务器通过校验请求的U-A来识别爬虫，这是一种相对简单的反爬虫机制。通过模拟浏览器的U-A，可以解决这个问题。

　　通常，浏览器在向服务器发送请求的时候，会有一个请求头——User-Agent，它用来标识浏览器的类型。当我们使用requests来发送请求的时候，默认的User-Agent是python-requests/2.8.1。如此我们尝试将User-Agent伪装成浏览器。我们通过手动指定User-Agent为Chrome浏览器（F12–>Network中查看），再次访问得到网页源码。

二、获取当前页歌名

def parse_html(html):
    global count
    soup = BeautifulSoup(html, "html.parser")
    music_list_soup = soup.find('div', attrs={'class': 'indent'})

    music_name_list = []
    for music_li in music_list_soup.find_all('table'):
        detail = music_li.find('div', attrs={'class': 'pl2'})
        count += 1
        music_name = 'Top ' + str(count)
        music_name = music_name + detail.find('a').getText() + '\n'
        music_name_list.append(music_name)

    next_page = soup.find('span', attrs={'class': 'next'}).find('a')
    if next_page:
        return music_name_list, next_page['href']
    else:
        return music_name_list, None

　　我们使用了beautifulsoup来分析网页源码， 创建bs对象soup，并使用解析器html.parser来解析源码。
　　
按F12–>Element查看网页源码，发现

标签下存在歌单（table标签）；

用for循环获取所有table，并对每一个table进行分析；

在标签下的标签下发现歌名，

用此detail.find('a').getText() 函数获取a标签下的文字内容，并添加到列表中music_name_list.append(music_name) ，再把列表的元素写进文件就可以了。

注： BeautifulSoup中的find和findAll用法相同，不同之处为find返回的是findAll搜索值的第一个值。

三、翻页

　　next_page是为了让程序能够翻页，next_page['href'] ，获取下一页url，通过while循环来反复访问，进而可以获取完整歌单。

四、代码

　　最后，完整程序代码如下：

#!/usr/bin/env python
# encoding=utf-8

import requests
from bs4 import BeautifulSoup
import codecs


def download_page(url):
    headers = {
        'User-Agent':'查看自己的User-Agent，粘贴到此处'
    }

    data = requests.get(url, headers=headers).content
    return data

def parse_html(html):
    global count
    soup = BeautifulSoup(html, "html.parser")
    music_list_soup = soup.find('div', attrs={'class': 'indent'})

    music_name_list = []
    for music_li in music_list_soup.find_all('table'):
        detail = music_li.find('div', attrs={'class': 'pl2'})
        count += 1
        music_name = 'Top ' + str(count)
        music_name = music_name + detail.find('a').getText() + '\n'
        music_name_list.append(music_name)

    next_page = soup.find('span', attrs={'class': 'next'}).find('a')
    if next_page:
        return music_name_list, next_page['href']
    else:
        return music_name_list, None

def main():
    url = 'https://music.douban.com/top250'
    fp = codecs.open('music', 'w', encoding='utf-8')
    while url:
        html = download_page(url)
        musics, url = parse_html(html)
        fp.write(''.join(musics))

    print 'done\n'


if __name__ == '__main__':
    count = 0
    main()

---

---