python爬取网易云周杰伦所有专辑，歌曲，评论，并完成可视化分析
程序员文章站
2022-04-18 11:21:48
恢复内容开始 去年在网络上有一篇文章特别有名：我分析42万字的歌词，为搞清楚民谣歌手们在唱些什么。这篇文章的作者是我大学的室友，随后网络上出现了各种以为爬取了XXX，发现了XXX为名的文章。我想了想，我能不能也通过爬虫来做些什么呢？先入为主，我也以歌曲作为切入口 周杰伦，是的，我们这一代的生活成长， ......
---恢复内容开始---
去年在网络上有一篇文章特别有名：我分析42万字的歌词，为搞清楚民谣歌手们在唱些什么。这篇文章的作者是我大学的室友，随后网络上出现了各种以为爬取了XXX，发现了XXX为名的文章。我想了想，我能不能也通过爬虫来做些什么呢？先入为主，我也以歌曲作为切入口---周杰伦，是的，我们这一代的生活成长，总是离不开周董的声音的陪伴，那我就来爬取周董的歌曲，歌曲评论，歌词，以及各种有用的信息并做一个可视化吧。
这篇文章适合于python纯小白，因为本人也是python刚刚入门，里面可能很多语句是冗长的，甚至可能有一些尚未发现的BUG，这个伴随着我们继续学习来慢慢消解吧。接下来 我把里面会用到的东西在这里做一个总结吧：本文用到了两门解释性编程语言python + bash(shell),为什么用shell，我会在后面具体分析。用到的模块requests,re,os,jieba,glob,json,lxml,pyecharts,heapq,collections.看到这么多模块，大家一定很头痛，其实最开始我也没想到会用到这么多。不过随着程序的进行，这些模块自然的就出现在程序里，每一个模块我们没必要特别了解。但是用法需要掌握。 话不多说，接下来就进入我们的正题吧。
一.找到需要爬取的内容,分析网页，抓包查看交互内容
首先我们先进入到我们需要抓取的内容的地址。http://music.163.com/# 这是网易云音乐的首页，我们的目的是抓取周杰伦的所有歌曲，歌词，已经评论，那我们在搜索处输入周杰伦得到这张图，我们发现这里面只有最多50首歌（很多人分析网易云的歌曲就只选取TOP50），我们想要的是全部，所以这个URL不符合要求，我们继续寻找其他的URL地址。我在这里花了不少时间，最后找到了一个间接的方法，首先抓取周杰伦的全部专辑信息，然后通过专辑信息再去寻找全部歌曲（目前在网易云上我还没发现什么方法可以直接获取全部歌曲名字）。好了确定好了方针，我们第一步抓取所有专辑 进入http://music.163.com/#/artist/album?id=6452如下图所示！
在这里面我们可以看到周杰伦所有专辑信息点击下一页 观察url发现变成了 http://music.163.com/#/artist/album?id=6452&limit=12&offset=12 这样！！！所以有点html基础的人都知道这里的limit=12是每页显示专辑的数量。OK，接下来我们就来获取专辑吧！我们在页面输入http://music.163.com/#/artist/album?id=6452&limit=100&offset=12（改成100 避免多次抓取，一次抓去完），在谷歌的抓包工具（F12)里面查看交互信息发现如下：
是的你没看错，这就是我们想要的信息，那事情就变得简单的，我们没必要用复杂的工具比如（selenium）去加载整个页面，（事实上，如果还没想到抓取歌曲的方法，我估计就得用它了）,我们再看header里面有什么
这里面的string我们不用管了，因为它已经在我们的url里面了，我们只需要看request headers 这个就是我们给服务器发送的东西，发送之后，服务器返回给我们的就是network里面的信息。好，接下来我们伪造浏览器发送请求。具体代码如下：
def GetAlbum(self):
urls="http://music.163.com/artist/album?id=6452&limit=100&offset=0"
headers={
'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Accept-Encoding':'gzip, deflate, br',
'Accept-Language':'zh-CN,zh;q=0.9',
'Connection':'keep-alive',
'Cookie':'_iuqxldmzr_=32; _ntes_nnid=dc7dbed33626ab3af002944fabe23bc4,1524151830800; _ntes_nuid=dc7dbed33626ab3af002944fabe23bc4; __utmc=94650624; __utmz=94650624.1524151831.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utma=94650624.1505452853.1524151831.1524151831.1524176140.2; WM_TID=RpKJQQ90pzUSYfuSWgFDY6QEK1Gb4Ulg; JSESSIONID-WYYY=ZBmSOShrk4UKH5K%5CVasEPuc0b%2Fq6m5eAE91jWCmD6UpdB2y4vbeazO%2FpQK%5CgiBW0MUDDWfB1EuNaV5c4wIJZ08hYQKDhpsHnDeMAgoz98dt%2B%2BFfhdiiNJw9Y9vRR5S4GU%2FziFp%2BliFX1QTJj%2BbaIGD3YxVzgumklAwJ0uBe%2FcGT6VeQW%3A1524179765762; __utmb=94650624.24.10.1524176140',
'Host':'music.163.com',
'Referer':'https://music.163.com/',
'Upgrade-Insecure-Requests':'1',
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
}
html = requests.get(urls,headers=headers)
html1=etree.HTML(html.text)
html_data=html1.xpath('//div[@class="u-cover u-cover-alb3"]')[0]
pattern = re.compile(r'<div class="u-cover u-cover-alb3" title=(.*?)>')
items = re.findall(pattern, html.text)
cal=0
# 首先删除这个没文件，要不然每次都是追加
if(os.path.exists("专辑信息.txt")):
os.remove("专辑信息.txt")
#删除文件避免每次都要重复写入
if (os.path.exists("专辑歌曲信息.txt")):
os.remove("专辑歌曲信息.txt")
for i in items:
cal+=1
#这里需要注意i是有双引号的，所以需要注意转换下
p=i.replace('"','')
#这里在匹配里面使用了字符串，注意下
pattern1=re.compile(r'<a href="/album\?id=(.*?)" class="tit s-fc0">%s</a>'%(p))
id1= re.findall(pattern1,html.text)
# print("专辑的名字是:%s!!专辑的ID是%s:"%(i,items1))
with open("专辑信息.txt",'a') as f:
f.write("专辑的名字是:%s!!专辑的ID是%s \n:"%(i,id1))
f.close()
self.GetLyric1(i,id1)
# print("总数是%d"%(cal))
print("获取专辑以及专辑ID成功！！！！！")
这里面用到了xpath来找到对应标签里面数据，代码不重要，思想懂了就行（代码单独执行可行）
执行结果如下
二.抓取歌曲信息。
通过上面我们已经抓取到了专辑的信息，接下来我们就通过专辑，来获取歌曲信息
看这幅图，我想你已经懂了，页面组成http://music.163.com/#/album?id=！！！ ！！！这里填写专辑ID，我们在network里面找到了所有歌曲的信息接下来我们看header
同样的道理我们通过伪造方式发送信息，获取歌曲信息！！直接上代码
def GetLyric1(self,album,id1):
urls1 = "http://music.163.com/#/album?id="
urls2 = str(id1)
urls3= urls1+urls2
#将不要需要的符号去掉
urls=urls3.replace("[","").replace("]","").replace("'","").replace("#/","")
headers={
'Cookie': '_iuqxldmzr_=32; _ntes_nnid=dc7dbed33626ab3af002944fabe23bc4,1524151830800; _ntes_nuid=dc7dbed33626ab3af002944fabe23bc4; __utmz=94650624.1524151831.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utma=94650624.1505452853.1524151831.1524176140.1524296365.3; __utmc=94650624; WM_TID=RpKJQQ90pzUSYfuSWgFDY6QEK1Gb4Ulg; JSESSIONID-WYYY=7t6F3r9Uzy8uEXHPnVnWTXRP%5CSXg9U3%5CN8V5AROB6BIe%2B4ie5ch%2FPY8fc0WV%2BIA2ya%5CyY5HUBc6Pzh0D5cgpb6fUbRKMzMA%2BmIzzBcxPcEJE5voa%2FHA8H7TWUzvaIt%2FZnA%5CjVghKzoQXNM0bcm%2FBHkGwaOHAadGDnthIqngoYQsNKQQj%3A1524299905306; __utmb=94650624.21.10.1524296365',
'Host': 'music.163.com',
'Referer': 'http://music.163.com/',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
}
html = requests.get(urls, headers=headers)
html1 = etree.HTML(html.text)
# soup = BeautifulSoup(html1, 'html.parser', from_encoding='utf-8')
# tags = soup.find_all('li', class_="have-img")
html_data = html1.xpath('//ul[@class="f-hide"]//a')
for i in html_data:
#注意这个用法
html_data1=i.xpath('string(.)')
#获取歌曲的id
html_data2=str(html_data1)
pattern1=re.compile(r'<li><a href="/song\?id=(\d+?)">%s</a></li>'%(html_data2))
items = re.findall(pattern1,html.text)
# print("歌曲的名称为: %s"%(html_data2))
# print("歌曲的id为: %s"%(items))
with open("专辑歌曲信息.txt", 'a') as f:
print(len(items))
if (len(items) > 0):
f.write("歌曲的名字是: %s!!歌曲的ID是%s \n" % (html_data2, items))
f.close()
print("获取歌曲 %s 以及歌曲的ID %s写入文件成功"%(html_data2, items))
#http://music.163.com/#/song?id=185617
# if(len())
def GetLyric2(self):
#首先删除原来的文件，避免重复写入
for i in glob.glob("*热评*"):
os.remove(i)
for i in glob.glob("*歌曲名*"):
os.remove(i)
#直接读取所有内容
file_object=open("专辑歌曲信息.txt",)
list_of_line=file_object.readlines()
aaa=1
namelist = ""
for i in list_of_line:
# 歌曲的名字是: 同一种调调!!歌曲的ID是['186020']
pattern1 = re.compile(r'歌曲的名字是: (.*?)!!歌曲的ID是')
pattern2 = re.compile(r'歌曲的ID是\[(.*?)\]')
items1 = str(re.findall(pattern1, i)).replace("[","").replace("]","").replace("'","")
items2 = str(re.findall(pattern2, i)).replace("[","").replace("]","").replace('"',"").replace("'","")
headers = {
'Request URL': 'http://music.163.com/weapi/song/lyric?csrf_token=',
'Request Method': 'POST',
'Status Code': '200 OK',
'Remote Address': '59.111.160.195:80',
'Referrer Policy': 'no-referrer-when-downgrade'
}
# http://music.163.com/api/song/lyric?id=186017&lv=1&kv=1&tv=-1
urls="http://music.163.com/api/song/lyric?"+"id="+str(items2)+'&lv=1&kv=1&tv=-1'
# urls = "http://music.163.com/api/song/lyric?id=186018&lv=1&kv=1&tv=-1"
#print(urls)
html = requests.get(urls, headers=headers)
json_obj = html.text
j = json.loads(json_obj)
try:
lrc = j['lrc']['lyric']
pat = re.compile(r'\[.*\]')
lrc = re.sub(pat,"",lrc)
lrc = lrc.strip()
print(lrc)
lrc = str(lrc)
with open("歌曲名-"+items1+".txt", 'w',encoding='utf-8') as f:
f.write(lrc)
aaa+=1
namelist=namelist + items1 + ".txt"+","
#调用获取评论方法，并且把热评写入文件
self.GetCmmons(items1,items2)
except:
print("歌曲有错误 %s !!"%(items1))
#读取所有文件，并且把所有的信息输入到一个文件里面去
# html1 = etree.HTML(html.text)
print("歌曲一共爬取了%s首 "%(aaa))
print(namelist)
上面需要注意：xpath来获取需要的信息，利用正则来获取ID（其实有很多方法）
结果如下，
同样的方法！！我们打开一首歌曲一样的道理，我们分析network来获取我们需要的信息歌词，评论！！直接上代码
def GetCmmons(self,name,id):
self.name=name
self.id=id
#删除原来的文件 避免重复爬取
# urls="http://music.163.com/weapi/v1/resource/comments/R_SO_4_415792918?csrf_token="
urls="http://music.163.com/api/v1/resource/comments/R_SO_4_"+str(id)
headers={
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Accept-Encoding': 'gzip, deflate',
'Accept-Language': 'zh-CN,zh;q=0.9',
'Cache-Control': 'max-age=0',
'Connection': 'keep-alive',
'Cookie': '_iuqxldmzr_=32; _ntes_nnid=dc7dbed33626ab3af002944fabe23bc4,1524151830800; _ntes_nuid=dc7dbed33626ab3af002944fabe23bc4; __utmz=94650624.1524151831.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); WM_TID=RpKJQQ90pzUSYfuSWgFDY6QEK1Gb4Ulg; JSESSIONID-WYYY=BgqSWBti98RpkHddEBZcxnxMIt4IdbCqXGc0SSxKwvRYlqbXDAApbgN%2FQWQ8vScdXfqw7adi2eFbe30tMZ13mIv9XOAv8bhrQYC6KRajksuYWVvTbv%2BOu5oCypc4ylh2Dk5R4TqHgRjjZgqFbaOF73cJlSck3lxcFot9jDmE9KWnF%2BCk%3A1524380724119; __utma=94650624.1505452853.1524151831.1524323163.1524378924.5; __utmc=94650624; __utmb=94650624.8.10.1524378924',
'Host': 'music.163.com',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
}
html = requests.get(urls,headers=headers)
html.encoding= 'utf8'
# html_data = html1.xpath('//div[@class="u-cover u-cover-alb3"]')[0]
# pattern = re.compile(r'<div class="u-cover u-cover-alb3" title=(.*?)>')
#items = re.findall(pattern, html.text)
#print(html.text)
#使用json格式化输出
json_obj = html.text
j = json.loads(json_obj)
i=j['hotComments']
for uu in i:
print
username=uu["user"]['nickname']
likedCount1 = str(uu['likedCount'])
comments=uu['content']
with open(name + "的热评hotComment" +".txt" , 'a+',encoding='utf8') as f:
f.write("用户名是 "+username+"\n")
f.write("用户的评论是 "+comments+"\n")
f.write("被点赞的次数是 " + str(likedCount1) +"\n")
f.write("----------华丽的的分割线-------------"+"\n")
f.close()
上面需要注意的是：利用json获取需要的数据(至少比正则快点)
结果如下:
到这里！！我们已经完成了所有用数据的爬取
三 数据分析，可视化
如果数据不利用，就如同一张白纸一样，接下来我们就对数据进行全面的分析
第一步，我们先把数据合并到一个文件里
def MergedFile(self):
aaa=0
for i in glob.glob("*歌曲名*"):
file_object = open(i,'r',encoding='UTF-8')
list_of_line = file_object.readlines()
for p in list_of_line:
if "作词" in p or "作曲" in p or "混音助理" in p or "混音师" in p or "录音师" in p or "执行制作" in p or "编曲" in p or "制作人" in p or "录音工程" in p or "录音室" in p or "混音录音室" in p or "混音工程" in p or "Programmer" in p or p == "\n" or "和声" in p or "吉他" in p or "录音助理" in p or "陈任佑鼓" in p or "周杰伦" in p:
aaa+=1
print(p)
else:
with open ("allLyric"+".txt","a",encoding='UTF-8') as f :
f.write(p)
f.write("\n")
print(aaa)
#合并歌曲
file1 = open('allLyric.txt', 'r', encoding='utf-8') # 要去掉空行的文件
file2 = open('allLyric1.txt', 'w', encoding='utf-8') # 生成没有空行的文件
try:
for line in file1.readlines():
if line == '\n':
line = line.strip("\n")
file2.write(line)
finally:
file1.close()
file2.close()
print("合并歌词文件完成")
上面需要注意的是：我们合并数据的时候，可以选择性的删除一些无用数据
结果如下
下面我们对周杰伦歌曲进行情绪化分析
def EmotionAnalysis(self):
from snownlp import SnowNLP
from pyecharts import Bar
xzhou=[]
yzhou=[]
for i in glob.glob("*歌曲名*"):
count=0
allsen=0
with open(i,'r', encoding='utf-8') as fileHandel:
fileList = fileHandel.readlines()
for p in fileList:
if "作词" in p or "作曲" in p or "鼓" in p or "混音师" in p or "录音师" in p or "执行制作" in p or "编曲" in p or "制作人" in p or "录音工程" in p or "录音室" in p or "混音录音室" in p or "混音工程" in p or "Programmer" in p or p == "\n":
pass
else:
s = SnowNLP(p)
# print(s.sentences[0])
s1 = SnowNLP(s.sentences[0])
#print(type(s1))
count+=1
allsen+=s1.sentiments
i=str(i)
xzhou1 = i.split("-", 1)[1].split(".",1)[0]
xzhou.append(xzhou1)
avg=int(allsen)/count
yzhou.append(avg)
#print("%s这首歌的情绪为%s"%(i,avg))
fileHandel.close()
bar = Bar("柱状图数据堆叠示例")
bar.add("周杰伦歌曲情绪可视化", xzhou, yzhou, is_stack=True,xaxis_interval=0)
bar.render(r"D:\学习\untitled4\allpicture\周杰伦歌曲情绪全部.html")
#显示最好的前五首歌
import heapq
yzhou1 = heapq.nlargest(10, yzhou)
temp = map(yzhou.index, heapq.nlargest(10, yzhou))
temp = list(temp)
xzhou1 = []
for i in temp:
xzhou1.append(xzhou[i])
# 情绪前十首歌个图
bar = Bar("周杰伦歌曲情绪较好前十首歌")
bar.add("周杰伦歌曲情绪可视化", xzhou1, yzhou1, is_stack=True)
bar.render(r"D:\学习\untitled4\allpicture\周杰伦歌曲最积极情绪top10.html")
#显示最差的十首歌
yzhou1 = heapq.nsmallest(10, yzhou)
temp = map(yzhou.index, heapq.nsmallest(10, yzhou))
temp = list(temp)
xzhou1 = []
for i in temp:
xzhou1.append(xzhou[i])
# print(xzhou1)
#print(yzhou1)
# 情绪前十首歌个图
bar = Bar("周杰伦歌曲情绪较差前十首歌")
bar.add("周杰伦歌曲情绪可视化",xzhou1, yzhou1,xaxis_interval=0,xzhou1_label_textsize=6)
bar.render(r"D:\学习\untitled4\allpicture\周杰伦歌曲最消极情绪top10.html")
print(xzhou1)
下面完成数据词频各种分析
#定义结巴分词的方法以及处理过程
def splitSentence(self,inputFile, outputFile):
fin = open(inputFile, 'r', encoding='utf-8')
fout = open(outputFile, 'w', encoding='utf-8')
for line in fin:
line = line.strip()
line = jieba.analyse.extract_tags(line)
outstr = " ".join(line)
fout.write(outstr + '\n')
fin.close()
fout.close()
#下面的程序完成分析前十的数据出现的次数
f = open("分词过滤后.txt", 'r', encoding='utf-8')
a = f.read().split()
b = sorted([(x, a.count(x)) for x in set(a)], key=lambda x: x[1], reverse=True)
print(sorted([(x, a.count(x)) for x in set(a)], key=lambda x: x[1], reverse=True))
#输出频率最多的前十个字，里面调用splitSentence完成频率出现最多的前十个词的分析
def LyricAnalysis(self):
import jieba
file = 'allLyric1.txt'
#这个技巧需要注意
alllyric = str([line.strip() for line in open('allLyric1.txt',encoding="utf-8").readlines()])
#获取全部歌词，在一行里面
alllyric1=alllyric.replace("'","").replace(" ","").replace("?","").replace(",","").replace('"','').replace("?","").replace(".","").replace("!","").replace(":","")
# print(alllyric1)
#在这里用结巴分词来分词过滤并且输出到一个文件里面，这个ting.txt
#import jieba.analyse 这里必须引入
jieba.analyse.set_stop_words("ting.txt")
self.splitSentence('allLyric1.txt', '分词过滤后.txt')
#下面是词频统计
import collections
# 读取文本文件，把所有的汉字拆成一个list
f = open("分词过滤后.txt", 'r', encoding='utf8') # 打开文件，并读取要处理的大段文字
txt1 = f.read()
txt1 = txt1.replace('\n', '') # 删掉换行符
txt1 = txt1.replace(' ', '') # 删掉换行符
txt1 = txt1.replace('.', '') # 删掉逗号
txt1 = txt1.replace('.', '') # 删掉句号
txt1 = txt1.replace('o', '') # 删掉句号
mylist = list(txt1)
mycount = collections.Counter(mylist)
for key, val in mycount.most_common(10): # 有序（返回前10个）
print(key, val)
好了！！其实分析语法没那么重要，实验的方法也很多！！
我们来看下结果把
---恢复内容结束---
上一篇： 详解linux进程间通信-信号
下一篇： 策略模式(反射)