小记：音频格式转化ByPython（下）

上文中我们已经大致明白了pydub库的使用方法，今天的目标是写个爬虫爬取歌曲信息。

关于网络爬虫，Python的标准库里是有相应的包的，可以直接打开：https://docs.python.org/zh-cn/ 去看Python相应版本的的官方中文文档（这个网站很有用，推荐学Python的小伙伴收藏），当然官方文档一般比较晦涩，可以再搜一些教程配合食用最佳。

通过学习了解到关于python网络爬虫可以使用传统的urllib库或者更高级的 Requests库，这里暂时选用urllib。其中urllib.request模块用于打开url，用法如下：

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

看起来很复杂，不过其他的默认可以不填，我们只需给出url参数就行了。打开百度百科搜索烟花易冷，发现网页url是这样的：https://baike.baidu.com/item/烟花易冷/211 ，尝试更改url，输入：https://baike.baidu.com/item/七里香 ，转到，成功进入七里香的百度词条界面，不过url自动更新为了：https://baike.baidu.com/item/七里香/2181450 （可以用，nice）。

观察网页，又出现了一个新问题，那就是七里香存在多义，而默认转到的是周杰伦专辑《七里香》，而不是周杰伦歌曲，七里香。分别打开烟花易冷和七里香搜索结果的源代码，观察:

▪周杰伦演唱歌曲

▪2004年周杰伦发行的音乐专辑

可以发现他们这一行代码是不同的，另外在后一行代码附近，有如下代码：

▪2004年周杰伦发行的音乐专辑
▪席慕容诗集
▪2007年泰国电视剧
▪陈淑桦演唱歌曲
▪中药
▪旅游景点
▪2005年中央编译出版社出版的图书
▪小说《七里香》
▪芸香科九里香属植物
▪台湾2004年周杰伦演唱歌曲
▪中国台湾地区小吃
▪席慕容创作新诗
▪暗夜文学网小说
全部展开
收起

发现这里有个”台湾2004年周杰伦演唱歌曲“选项，与前者相通的地方是有共同关键字”周杰伦演唱歌曲“。接下来继续寻找，我们需要的信息在这样一段文字中：

所以，谱曲、编曲和作曲有什么区别吗？百度一下：

1、概念区别：作曲一般是指给歌词谱写旋律；编曲一般是指给歌曲作伴奏；谱曲是把已经有的曲子记下来，写成简谱，五线谱等。
2、顺序区别：先有作曲，再有编曲和谱曲。

好吧，长见识了。到这里，准备工作大致就差不多了。
这是歌曲标签信息在不同平台与ffmpeg库对照的的一个统计表：

Windows	iTunes(Info tab)	id3v2.3	ffmpeg key	ffmpeg 示例
Title	Title	TIT2	title	-metadata title=”海阔天空”
Subtitle	Description(Video tab)	TIT3	TIT3	-metadata TIT3=”beyond 20周年纪念版”
Rating	n/a	n/a	n/a	n/a
Comments	Comments	COMM	n/a	n/a
Contributing artists	Artist	TPE1	artist	-metadata artist=”黄家驹”
Album artist	Album artist	TPE2	album_artist	-metadata album_artist=”Josh Groban”
Album	Album	TALB	album	-metadata album=”Closer”
Year	Year	TYER	date	-metadata date=”2009”
#	Track Number	TRCK	track	-metadata track=”3/12”(12首歌中的第3个)
Genre	Genre	TCON	genre	-metadata genre=”Vocal”
Publisher	n/a	TPUB	publisher	-metadata publisher=”Heaven Church”
Encoded by	n/a	TENC	encoded_by	-metadata encoded_by=”Joshua”
Aythor URL	n/a	WOAR	n/a	n/a
CopyRight(不可编辑)	n/a	TCOP	copyright	-metadata copyright=”℗ lqsoft”
Composers	n/a	TCOM	composer	-metadata composer=”Joshua”
Conductors	n/a	TPE3	performer	-metadata performer=”Joshua”
Group description	Grouping	TIT1	TIT1	-metadata TIT1=”The Classics”
Mood	n/a	n/a	n/a	n/a
Part of set	Disc Number	TPOS	disc	-metadata disc=”1/2”
Initial key	n/a	TKEY	TKEY	-metadata TKEY=”G”
Beats-per-minute	BOM	TBPM	TBPM	-metadata TBPM=”120”
Part of a compilation	Part of a compilation	TCMP	n/a	n/a
n/a	n/a	TLAN	language	-metadata language=”eng”
n/a	n/a	TSSE	encoder	-metadata encoder=”iTunes v10”

我们主要会用到title：标题即歌曲名、artist：艺术家即歌手、album：专辑、date：发布时间、composer：作曲。然后呢，发现并没有给可怜的文山兄弟留下一个作词的位置。回头再看，似乎作词、作曲一般是在歌词文件中出现，音乐文件的标签似乎一般有个歌名和歌手就行了。

由于店家的资源文件名中带有数字编号：

01.牛仔很忙.wav
01.说了再见.wav

所以先写个脚本重命名一下，顺带导出歌曲名单：

import os
import re

pattern=[r"^[0-9]+\.",r"\.wav"]
dir='E:\\BaiduNetdiskDownload\\周杰伦'
os.chdir(dir)
raw_dir_list=os.listdir(dir)
dir_list=list()

for file in raw_dir_list:
    tmp=re.sub(pattern[0],"",file)
    str=re.sub(pattern[1],"",tmp)
    dir_list.append(str)
    os.rename(file,tmp)

with open("song_list.txt","w") as p:
    for file in dir_list:
        p.write(file+"\n")

名单效果如下（文件名则是带有“.wav”后缀）：

七里香
世界末日
东风破
乔克叔叔

接下来是爬虫脚本：

from urllib import request
from urllib import parse
import re
import os

def getlist(file):
    with open(file,"r") as p:
        list=p.read().split("\n")
    while '' in list:
        list.remove('')
    return list

def crawtext(url):
    res=request.urlopen(url)
    text=res.read().decode(encoding='utf-8', errors='strict')
    return text

def isurl(patternlist,text):
    if re.search(patternlist[0],text):
        a=re.search(patternlist[1],text)
        if a:
            flag=0
        else :
            flag=2
    else :
        flag=1
    return flag

def gettext(pattern,raw_text):
    a=re.search(pattern,raw_text)
    if a:
        text=raw_text[a.span()[0]:a.span()[1]]
    else :
        text=False
    return text

def geturl(pattern,patternlist,raw_text):
    a=re.search(pattern,raw_text)
    if a:
        text=raw_text[a.span()[0]:a.span()[1]]
        tmp=re.sub(patternlist[0],"",text)
        url=re.sub(patternlist[1],"",tmp)
    else :
        url=False
    return url
    

baseurl=r"https://baike.baidu.com/item/"
pattern1=['
▪','
▪.*周杰伦.*歌曲.*
']
pattern2=''
pattern3='
▪.*"]
dir="E:\\BaiduNetdiskDownload\\周杰伦"
os.chdir(dir)

song_list=getlist("song_list.txt")
text_list=list()
for file in song_list:
    name=re.sub(".wav","",file)
    url=baseurl+parse.quote(name)
    text=crawtext(url)
    flag=isurl(pattern1,text)
    if  flag==0:
        text_list.append(gettext(pattern2,text))
    elif flag==1:
        text=gettext(pattern2,text)
        if text:
            text_list.append(text)
        else:
            text_list.append(name+" error 1 ")
    else :
        key=geturl(pattern3,pattern4,text)
        if key:
            url=baseurl+key
            text=crawtext(url)
            text_list.append(gettext(pattern2,text))
        else :
            text_list.append(name+" error 2 ")

with open("text.txt","w") as p:
    for str in text_list:
        p.write(str+"\n")

还是出了一些问题，比如3个“error：2”：

菊花台 error 2
说好的幸福 error 2
轨迹 error 2

打开浏览器搜索，发现周杰伦的歌曲叫“说好的幸福呢”，而不是“说好的幸福”，而对于“菊花台”和“轨迹”：

周杰伦演唱电影《满城尽带黄金甲》片尾曲
周杰伦演唱电影《寻找周杰伦》主题曲

无语，副标题里面没有“歌曲“关键字。除此之外， 还有几个数据错误是因为词条没有自动跳转、演唱者不是周杰伦（献世是周杰伦给陈小春写的歌）。
看起来脚本还可以优化下，好麻烦，反正就几个，手动添加吧，顺带修改一下错误的歌曲名。原始数据下载成功，效果如下：

接下来进行数据清理：

import os
import re

def getlist(file):
    with open(file,"r") as p:
        list=p.read().split("\n")
    while '' in list:
        list.remove('')
    return list

class SONG:
    title=""
    artist=""
    album=""
    date=""
    composer=""
    def __init__(self,title) :
        self.title=title

def cuthead(pattern,text):
    a=re.search(pattern,text)
    if a:
        tmp=text[a.span()[1]:-1]+text[-1]
        str=cuthead(pattern,tmp)
    else :
        str=text
    return str

def search1(pattern,text):
    a=re.search(pattern[0]+".*?"+pattern[1],text)
    if a:
        tmp1=text[a.span()[0]:a.span()[1]]
        tmp2=re.sub(pattern[1],"",tmp1)
        str=cuthead(pattern[0],tmp2)
    else:
        str=False
    return str

def search2(pattern,text):
    a=re.search(pattern,text)
    if a:
        str=text[a.span()[0]:a.span()[1]]
    else :
        str=False
    return str

def search3(pattern,text):
    pass


dir="E:\\BaiduNetdiskDownload\\周杰伦"
os.chdir(dir)
pattern1=["《","》"]
pattern2=["是","演唱"]
pattern3=["歌曲，.","，收录"]
pattern4=["收录.*?[0-9]+年[0-9]+月[0-9]+日","[0-9]+年[0-9]+月[0-9]+日"]
pattern5=["专辑《","》"]


textlist=getlist("text.txt")
li=[]
for  text in textlist:
    title=search1(pattern1,text)
    song=SONG(title)
    song.artist=search1(pattern2,text)
    song.album=search1(pattern5,text)
    song.date=search2(pattern4[1],str(search2(pattern4[0],text)))
    song.composer=search1(pattern3,text)
    li.append(song)

with open("list.txt","w") as p:
    for song in li:
        p.write(str(song.title)+"\t")
        p.write(str(song.artist)+"\t")
        p.write(str(song.album)+"\t")
        p.write(str(song.date)+"\t")
        p.write(str(song.composer)+"\n")

数据不规范，清理两行泪。程序运行完还是手动检查修改了几个不规范数据。清理效果如下：

七里香 周杰伦 七里香 2004年8月3日 方文山作词，周杰伦谱曲，钟兴民编曲
世界末日 周杰伦 范特西PLUS 2001年12月28日 周杰伦作词、作曲
东风破 周杰伦 叶惠美 2003年7月31日 周杰伦谱曲，方文山填词，林迈可编曲

接下来最后一步，格式转化，标签添加：

import os
import pydub

def getlist(file):
    with open(file,"r") as p:
        list=p.read().split("\n")
    while '' in list:
        list.remove('')
    return list

class SONG:
    title=""
    artist=""
    album=""
    date=""
    composer=""
    def __init__(self,title) :
        self.title=title

dir="E:\\BaiduNetdiskDownload\\周杰伦"
os.chdir(dir)
os.mkdir("test")
lines=getlist("list.txt")
list=[]
for line in lines:
    tmp=line.split("\t")
    song=pydub.AudioSegment.from_wav(tmp[0]+".wav")
    dic={"title":tmp[0],"artist":tmp[1],"album":tmp[2],"date":tmp[3],"composer":tmp[4]}
    song.export("test\\"+tmp[0]+".flac",format="flac",tags=dic)
    song.export()

通篇下来，发现格式转化反倒是最简单的了。