Python爬虫实战案例：取喜马拉雅音频数据详解

前言

喜马拉雅是专业的音频分享平台，汇集了有声小说,有声读物,有声书,FM电台,儿童睡前故事,相声小品,鬼故事等数亿条音频，我最喜欢听民间故事和德云社相声集，你呢？

今天带大家爬取喜马拉雅音频数据，一起期待吧！！

这个案例的视频地址在这里

https://v.douyu.com/show/a2JEMJj3e3mMNxml

项目目标

爬取喜马拉雅音频数据

受害者地址

https://www.ximalaya.com/

本文知识点：

• 1、系统分析网页性质
• 2、多层数据解析
• 3、海量音频数据保存

环境：

• python 3.6
• pycharm
• requests
• parsel

思路：(爬虫案例)

• 1.确定数据所在的链接地址(url)
• 2.通过代码发送url地址的请求
• 3.解析数据(要的, 筛选不要的)
• 4.数据持久化(保存)

案例思路：

• 1. 在静态数据中获取音频的id值
• 2. 发送指定id值json数据请求(src)
• 3. 从json数据中解析音频所对应的URL地址

开始写代码

先导入所需的模块

import requests
import parsel  # 数据解析模块
import re

1.确定数据所在的链接地址(url) 逆向分析 网页性质(静态网页/动态网页)

打开开发者工具，播放一个音频，在Madie里面可以找到一个数据包

复制URL，搜索

找到ID值

继续搜索，找到请求头参数

url = 'https://www.ximalaya.com/youshengshu/4256765/p{}/'.format(page)
headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'}

2.通过代码发送url地址的请求

response = requests.get(url=url, headers=headers)
html_data = response.text

3.解析数据(要的, 筛选不要的) 解析音频的 id值

selector = parsel.Selector(html_data)
lis = selector.xpath('//div[@class="sound-list _is"]/ul/li')
 
for li in lis:
    try:
        title = li.xpath('.//a/@title').get() + '.m4a'
        href = li.xpath('.//a/@href').get()
        # print(title, href)
 
        m4a_id = href.split('/')[-1]
        # print(href, m4a_id)
 
        # 发送指定id值json数据请求(src)
        json_url = 'https://www.ximalaya.com/revision/play/v1/audio?id={}&ptype=1'.format(m4a_id)
        json_data = requests.get(url=json_url, headers=headers).json()
        # print(json_data)
 
        # 提取音频地址
        m4a_url = json_data['data']['src']
        # print(m4a_url)
 
        # 请求音频数据
        m4a_data = requests.get(url=m4a_url, headers=headers).content
 
        new_title = change_title(title)

4.数据持久化(保存)

with open('video\\' + new_title, mode='wb') as f:
    f.write(m4a_data)
    print('保存完成:', title)

最后还要处理文件名非法字符

def change_title(title):
    pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]")  # '/ \ : * ? " < > |'
    new_title = re.sub(pattern, "_", title)  # 替换为下划线
    return new_title

完整代码

import re
 
import requests
import parsel  # 数据解析模块
 
def change_title(title):
    """处理文件名非法字符的方法"""
    pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]")  # '/ \ : * ? " < > |'
    new_title = re.sub(pattern, "_", title)  # 替换为下划线
    return new_title
 
for page in range(13, 33):
    print('---------------正在爬取第{}页的数据----------------'.format(page))
    # 1.确定数据所在的链接地址(url)  逆向分析  网页性质(静态网页/动态网页)
    url = 'https://www.ximalaya.com/youshengshu/4256765/p{}/'.format(page)
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'}
 
    # 2.通过代码发送url地址的请求
    response = requests.get(url=url, headers=headers)
    html_data = response.text
    # print(html_data)
 
    # 3.解析数据(要的, 筛选不要的)  解析音频的  id值
    selector = parsel.Selector(html_data)
    lis = selector.xpath('//div[@class="sound-list _is"]/ul/li')
 
    for li in lis:
        try:
            title = li.xpath('.//a/@title').get() + '.m4a'
            href = li.xpath('.//a/@href').get()
            # print(title, href)
 
            m4a_id = href.split('/')[-1]
            # print(href, m4a_id)
 
            # 发送指定id值json数据请求(src)
            json_url = 'https://www.ximalaya.com/revision/play/v1/audio?id={}&ptype=1'.format(m4a_id)
            json_data = requests.get(url=json_url, headers=headers).json()
            # print(json_data)
 
            # 提取音频地址
            m4a_url = json_data['data']['src']
            # print(m4a_url)
 
            # 请求音频数据
            m4a_data = requests.get(url=m4a_url, headers=headers).content
 
            new_title = change_title(title)
            # print(new_title)
 
            # 4.数据持久化(保存)
            with open('video\\' + new_title, mode='wb') as f:
                f.write(m4a_data)
                print('保存完成:', title)
        except:
            pass

运行代码，效果如下图