Python爬虫实战之爬取QQ音乐数据

这里用QQ音乐作为一个例子。不同的链接，按照此方法都可做到。
本次程序编写原则上按照模块化进行划分，一个步骤一个函数。
分别：main()、open_url(url)、find_attribute()。

准备工作

准备如下几个工具。BeautifulSoup包、IDLE
对前端的知识有一定的理解

安装方法

1.IDLE下载链接
2.BeautifulSoup包在拥有IDLE的前提下输入win+r
3.输入cmd 进入命令提示符
4.输入命令 pip install BeautifulSoup4

步骤

• 新建py文件
• 复制网页链接
• 获取网页源代码
• 获取数据
• 自定义保存

新建py文件

建立函数结构

import urllib.request
from bs4 import BeautifulSoup
def open_url(url):
	pass
def find_attribute(url):
	pass
def main():
	pass

复制网页链接

复制网页链接将链接用列表进行保存下来。如果想要同一时间获取多个网页里面的数据，自行书写for循环遍历列表即可。以下只以一个网页进行讲解。

def main():
	# 用列表进行存储网页链接
    url = "https://y.qq.com/n/yqq/playlist/7174020835.html#stat=y_new.index.playlist.name"
	
	# 将url传到该函数进行获取数据该功能
    find_attribute(url)

获取源代码

def open_url(url):
	
    req = urllib.request.Request(url)
    # 模拟电脑访问
    # 按F12按照图片所示操作即可获取添加
    req.add_header("User-Agent","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36")
    # 给网页发送请求。网页就会返回一个响应给我们
    response = urllib.request.urlopen(req)
    # 获取源代码
    html = response.read()

    # 将源码以utf-8 的形式进行解码
    return html.decode("utf-8")

获取数据

使用select定位的方法。有可能存在以下问题：
1.定位不准确，会导出网页其他的内容
2.找不到内容，原因：定位深度有限。解决方案：父子关系多写几层用＞符号进行建立父子关系
3.对于类选择题，ID选择器有不同的方法进行搜索。
自行上网进行查阅。关键字：beautifulsoup.select方法的使用
每一次书写select定位的方法可以使用print进行打印。
获取的数据是用列表进行存储的。

def find_attribute(url):
	
    # 此处返回的html就是网页的源代码
    # 可以用print(html) 打印观看一下效果
    html = open_url(url)
    # 利用BeautifulSoup将源代码进行解析
    soup = BeautifulSoup(html,"lxml")
    # 通过标签进行选择数据即可
    # 定位的方法具体如图片所示
    # 
30
    # 排名
    ranks = soup.select("div.songlist__number")
    # 歌曲
    musics = soup.select("span.songlist__songname_txt > a")
    # 歌手
    singers = soup.select("div.songlist__artist > a")
    # 专辑
    albums = soup.select("div.songlist__album > a")
    # 时长
    times = soup.select("div.songlist__time")

    list1 = []
    # 连接列表。用循环打印
    # 再存放到字典当中
    for rank,music,singer,album,time in zip(ranks,musics,singers,albums,times):
        data = {
        	# 获取文本用 get_text()
        	# 获取属性值用['属性']
            "排名":rank.get_text(),
            "歌曲":music["title"],
            "歌手":singer["title"],
            "专辑":album["title"],
            "时长":time.get_text()
        }
        # 追加到列表当中
        list1.append(data)
    print(list1)

源代码

import urllib.request
from bs4 import BeautifulSoup


def open_url(url):

    req = urllib.request.Request(url)
    # 模拟电脑访问
    req.add_header("User-Agent","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36")
    response = urllib.request.urlopen(req)
    html = response.read()

    # 将源码以utf-8 的形式进行解码
    return html.decode("utf-8")


def find_attribute(url):

    
    html = open_url(url)
    soup = BeautifulSoup(html,"lxml")
    # 通过标签进行选择数据即可
    # 
30
    # 排名
    ranks = soup.select("div.songlist__number")
    # 歌曲
    musics = soup.select("span.songlist__songname_txt > a")
    # 歌手
    singers = soup.select("div.songlist__artist > a")
    # 专辑
    albums = soup.select("div.songlist__album > a")
    # 时长
    times = soup.select("div.songlist__time")

    list1 = []
    for rank,music,singer,album,time in zip(ranks,musics,singers,albums,times):
        data = {
            "排名":rank.get_text(),
            "歌曲":music["title"],
            "歌手":singer["title"],
            "专辑":album["title"],
            "时长":time.get_text()
        }
        list1.append(data)
    print(list1)

def main():
    # 第一步：将url传过去利用一定手段返回网页的源码
    # 第二步：源码获取了之后
    # 第三步：通过标签的父子关系进行定位
    # 第四步：将获取的数据，进行一个保存
    # 如果有多个url添加for循环修改地址即可
    # 这里只演示单个网页
    url = "https://y.qq.com/n/yqq/playlist/7174020835.html#stat=y_new.index.playlist.name"
    
    # 为了更加好看。设计模块化罢了
    find_attribute(url)


if __name__ == "__main__":
     main()