python 分析Google音乐下载地址（一）

Google 音乐做的不错，不过可能由于家里网络的的原因，经常听着听着就不动了，就想着下到本地听，不知道他怎么做的，在 Internet 临时文件夹里看不到音乐的临时文件，从网上只找到一个下载的工具是用 PYTHON 做的，不过不合我的要求，于是决定自己写一个。

 我比较喜欢听 Google 整理的专辑，所以就从这里开始了，比如这个页面（ http://www.google.cn/music/topiclistingq=top100_north_south_line&cat=song ）查看他的源码，发现音乐下载页面的地址是下面红字的部分（ <a href="javascript:void(0)" title=" 下载 " oncontextmenu="return false;"onclick="window.open(&quot;/music/url?q\x3dhttp%3A%2F%2Fg.top100.cn%2F12174704%2Fhtml%2Fdownload.html%3Fid%3DS518edb7fd08fbd08\x26resnum\x3d50\x26ct\x3ddl\x26cad\x3dtopic\x26cd\x3d1\x26ei\x3dQrKlSoj5OKewsgKB9PSgAQ&quot;,&#39;&#39;, &quot;resizable\x3d0, status\x3d0, width\x3d750, height\x3d360&quot;);return false;"> ），所以需要把这一部分提取出来就可以了，自然就想到了用正则表达式，以前没用过，现学现用吧 , 看了网上一个 30 分钟的教程，写了一个正则表达式“ (?<= 下载 .*\/music\/url\?q\\x3d).*(?=\\x26resnum) ” , 放到测试工具里能成，但是那个教程讲的是 C# 的正则表达式，当时机器上没安 .net ，只能用 PYTHON ，不过 python 好像不支持向前预匹配，这个表达式不能用，从网上找了好长时间也没有找到解决的办法，只能用比较的笨的办法了。

  我的思路是这样的，先把‘下载 " oncontextmenu="return false;" onclick="window.open(&quot;/music/url?q\x3dhttp%3A%2F%2Fg.top100.cn%2F12174704%2Fhtml%2Fdownload.html%3Fid%3DS518edb7fd08fbd08 ’这一部分用正则表达式匹配出来，然后再把正确的地址“ http%3A%2F%2Fg.top100.cn%2F12174704%2Fhtml%2Fdownload.html%3Fid%3DS518edb7fd08fbd08 ’”匹配出来，但是匹配的时候又出现了问题，最上面的蓝色部分，我去不掉（ python 我也不会，也是现学现用），最后匹配出来的是“下载 " oncontextmenu="return false;" onclick="window.open(&quot;/music/url?q\x3dhttp%3A%2F%2Fg.top100.cn%2F12174704%2Fhtml%2Fdownload.html%3Fid%3DS518edb7fd08fbd08\x26resnum ”好在蓝色部分固定长度，我用 [ ： -10] 把它截去了，最后用正则“ http.* ”把正确的地址匹配出来。思路弄清楚了就开始写代码，写起来没有想像得那么简单，由于对 python 一点也不懂，出现了几个不太好弄的问题，开始我用 html=urllib.urlopen(“http://www.google.cn/music/topiclisting?q=top100_north_south_line&cat=song”).read() 把网页源码读出来 , 直接匹配 html 结果一个也出不来，我也不知道什么原因，可以是行太多（我只做了单选的匹配），于是我又把 html 写到了文件里再一行一行的处理，不过读文件的时候又出来了中文的问题，需要转换编码，从网上找了不少代码没有解决，最后终于找到一个函数，呵呵

def mdcode( str ):

    for c in ( 'utf-8','gbk', 'gb2312'):   

        try:

            return str.decode(c).encode( 'gbk' )

        except:

            pass

    return 'unknown'

         html 的源码好像不只有一种编码，转的时候总是转了一部分就报错，走不下去了，用了这个函数就解决了，这样得出来的地址是“ http%3A%2F%2Fg.top100.cn%2F12174704%2Fhtml%2Fdownload.html%3Fid%3DS518edb7fd08fbd08 ”还不能用，需要 url 编码转换，用 urllib.unquote() 就行了，最后得出来的地址是

http://g.top100.cn/12174704/html/download.html?id=S518edb7fd08fbd08

当然这个地址不是音乐的下载地址，只是下载页面的地址，还得分析那个页面才能得到真正的下载的地址，当我用 urllib.urlopen().read() 下载这个地址的时候，下到的不是真正下载页面的源码，可是把这个地址放到浏览器里就成下载页面，可能中间 Google 做的别的处理吧 , 这个今天还没有解决，留到下一篇文章里面，下面是现在的全部的代码，刚刚开始学 python ，写的不好，还希望大家看完了给出意见，谢谢。如果您知道怎样一步用正则表达式把地址匹配出来，还希望您能在下面留言，我想了几天也没弄出来。 您可以给我发邮件[email protected] 。

 

# coding=utf-8
import urllib
import re
import sys

def mdcode( str ):
        for c in ( 'utf-8','gbk', 'gb2312'):        
                try:
                        return str.decode(c).encode( 'gbk' )
                except:
                        pass    
        return 'unknown'
    
url = 'http://www.google.cn/music/topiclisting?q=top100_north_south_line&cat=song'    
filename='c:\\tmp\\url.txt'
wname='c:\\tmp\\out.txt'
regx='下载.*window.*http.*\\\\x26resnum'#\x26resnum很奇怪，明明看到的是一个‘\’可是匹配不出来，好像是有两个‘\\’
reg='http.*'
list =[]
result=[]

html=urllib.urlopen(url).read(); #下载网页

file=open(filename,'w')
file.write(html)
file.close()
file=open(filename,'r')
lines=file.readlines()

reobj=re.compile(regx)
reo=re.compile(reg)

for line in lines:
  for match in reobj.finditer(line):
    list.append(urllib.unquote(mdcode(match.group())))  #匹配地址，并转码

for s in list:
  result.append(s[:-10]) #截去\x26resnum部分
    
list=[]

for r in result:
  for match in reo.finditer(r):
    list.append(match.group())    #匹配最后地址
    
file=open(wname,'w')

for r in list:
  file.write(r+"\n")
file.close()