python爬虫爬取音乐单曲_Python爬取qq音乐的过程实例

一、前言

　qq music上的音乐还是不少的，有些时候想要下载好听的音乐，但有每次在网页下载都是烦人的登录什么的。于是，来了个qqmusic的爬虫。至少我觉得for循环爬虫，最核心的应该就是找到待爬元素所在url吧。二、Python爬取QQ音乐单曲

爬虫步骤

1.确定目标首先我们要明确目标，本次爬取的是QQ音乐歌手刘德华的单曲。（百度百科）->分析目标（策略：url格式（范围）、数据格式、网页编码）->编写代码->执行爬虫2.分析目标歌曲链接：从左边的截图可以知道单曲采用分页的方式排列歌曲信息，每页显示30条，总共30页。点击页码或者最右边的">"会跳转到下一页，浏览器会向服务器发送ajax异步请求，从链接可以看到begin和num参数，分别代表起始歌曲下标（截图是第2页，起始下标是30）和一页返回30条，服务器响应返回json格式的歌曲信息（MusicJsonCallbacksinger_track({"code":0,"data":{"list":[{"Flisten_count1":......]})），如果只是单独想获取歌曲信息，可以直接拼接链接请求和解析返回的json格式的数据。这里不采用直接解析数据格式的方法，我采用的是Python Selenium方式，每获取和解析完一页的单曲信息，点击 ">" 跳转到下一页继续解析，直至解析并记录所有的单曲信息。最后请求每个单曲的链接，获取详细的单曲信息。

右边的截图是网页的源码，所有歌曲信息都在类名为mod_songlist的div浮层里面，类名为songlist_list的无序列表ul下，每个子元素li展示一个单曲，类名为songlist__album下的a标签，包含单曲的链接，名称和时长等。

3.编写代码1）下载网页内容，这里使用Python 的Urllib标准库，自己封装了一个download方法：

def download(url, user_agent='wswp', num_retries=2): ifurl is None: returnNone print('Downloading:', url) headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'} request = urllib.request.Request(url, headers=headers) # 设置用户代理wswp(Web Scraping with Python) try: html = urllib.request.urlopen(request).read().decode('utf-8') except urllib.error.URLError ase: print('Downloading Error:', e.reason) html = None ifnum_retries > 0: ifhasattr(e, 'code') and500 <= e.code < 600: # retry when returncode is 5xx HTTP erros returndownload(url, num_retries-1) # 请求失败，默认重试2次, return html

2）解析网页内容，这里使用第三方插件BeautifulSoup,具体可以参考BeautifulSoup API 。

def music_scrapter(html, page_num=0): try: soup = BeautifulSoup(html, 'html.parser') mod_songlist_div = soup.find_all('div', class_='mod_songlist') songlist_ul = mod_songlist_div[1].find('ul', class_='songlist__list') '''开始解析li歌曲信息''' lis = songlist_ul.find_all('li') forli in lis: a = li.find('div', class_='songlist__album').find('a') music_url = a['href'] # 单曲链接 urls.add_new_url(music_url) # 保存单曲链接 # print('music_url:{0} '.format(music_url)) print('total music link num:%s'% len(urls.new_urls)) next_page(page_num+1) except Timeout Exception aserr: print('解析网页出错:', err.args) returnnext_page(page_num + 1) return None

def get_music(): try: whileurls.has_new_url(): # print('urls count:%s'% len(urls.new_urls)) '''跳转到歌曲链接，获取歌曲详情''' new_music_url = urls.get_new_url() print('url leave count:%s'% str( len(urls.new_urls) - 1)) html_data_info = download(new_music_url) # 下载网页失败，直接进入下一循环，避免程序中断 ifhtml_data_info is None: continue soup_data_info = BeautifulSoup(html_data_info, 'html.parser') ifsoup_data_info.find('div', class_='none_txt') is not None: print(new_music_url, ' 对不起，由于版权原因，暂无法查看该专辑！') continue mod_songlist_div = soup_data_info.find('div', class_='mod_songlist') songlist_ul = mod_songlist_div.find('ul', class_='songlist__list') lis = songlist_ul.find_all('li') del lis[0] # 删除第一个li # print('len(lis):$s'% len(lis)) forli in lis: a_songname_txt = li.find('div', class_='songlist__songname').find('span', class_='songlist__songname_txt').find('a') if'https'not in a_songname_txt['href']: #如果单曲链接不包含协议头，加上 song_url = 'https:'+ a_songname_txt['href'] song_name = a_songname_txt['title'] singer_name = li.find('div', class_='songlist__artist').find('a').get_text() song_time =li.find('div', class_='songlist__time').get_text() music_info = {} music_info['song_name'] = song_name music_info['song_url'] = song_url music_info['singer_name'] = singer_name music_info['song_time'] = song_time collect_data(music_info) except Exception aserr: # 如果解析异常，跳过 print('Downloading or parse music information error continue:', err.args)

4.执行爬虫

1爬虫跑起来了，一页一页地去爬取专辑的链接，并保存到集合中，最后通过get_music()方法获取单曲的名称，链接，歌手名称和时长并保存到Excel文件中。
1

三、Python爬取QQ音乐单曲总结1.单曲采用的是分页方式，切换下一页是通过异步ajax请求从服务器获取json格式的数据并渲染到页面，浏览器地址栏链接是不变的，不能通过拼接链接来请求。一开始想过都通过Python Urllib库来模拟ajax请求，后来想想还是用Selenium。Selenium能够很好地模拟浏览器真实的操作，页面元素定位也很方便，模拟单击下一页，不断地切换单曲分页，再通过BeautifulSoup解析网页源码，获取单曲信息。2.url链接管理器，采用集合数据结构来保存单曲链接，为什么要使用集合？因为多个单曲可能来自同一专辑（专辑网址一样），这样可以减少请求次数。

1classUrlManager(object):
def __init__(self):
self.new_urls = set() # 使用集合数据结构，过滤重复元素
self.old_urls = set() # 使用集合数据结构，过滤重复元素

1 def add_new_url(self, url):
ifurl is None:
return
ifurl not in self.new_urls andurl not in self.old_urls:
self.new_urls.add(url)

def add_new_urls(self, urls):
ifurls is None orlen(urls) == 0:
return
forurl in urls:
self.add_new_url(url)

def has_new_url(self):
returnlen(self.new_urls) != 0

def get_new_url(self):
new_url = self.new_urls.pop()
self.old_urls.add(new_url)
returnnew_url

3.通过Python第三方插件openpyxl读写Excel十分方便，把单曲信息通过Excel文件可以很好地保存起来。

1def write_to_excel(self, content):
try:
forrow in content:
self.workSheet.append([row['song_name'], row['song_url'], row['singer_name'], row['song_time']])
self.workBook.save(self.excelName) # 保存单曲信息到Excel文件
except Exception asarr:
print('write to excel error', arr.args)

四、后语最后还是要庆祝下，毕竟成功把QQ音乐的单曲信息爬取下来了。本次能够成功爬取单曲，Selenium功不可没，这次只是用到了selenium一些简单的功能，后续会更加深入学习Selenium，不仅在爬虫方面还有UI自动化。后续还需要优化的点：1.下载的链接比较多，一个一个下载起来比较慢，后面打算用多线程并发下载。2.下载速度过快，为了避免服务器禁用IP，后面还要对于同一域名访问过于频繁的问题，有个等待机制，每个请求之间有个等待间隔。3. 解析网页是一个重要的过程，可以采用正则表达式，BeautifulSoup和lxml，目前采用的是BeautifulSoup库， 在效率方面，BeautifulSoup没lxml效率高，后面会尝试采用lxml。