欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python爬虫--喜马拉雅三国音频爬取

程序员文章站 2022-04-30 12:10:03
前言 本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。作者:Botreechan 1.进入地址我们可以发现,页面有着非常整齐的目录,那么网页源代码中肯定也有非常规律的目录,进去看看吧。如果你看不懂,建议先去小编的Python交流. ......

前言

1.进入地址我们可以发现,页面有着非常整齐的目录,那么网页源代码中肯定也有非常规律的目录,进去看看吧。如果你看不懂,建议先去小编的python交流.裙 :一久武其而而流一思(数字的谐音)转换下可以找到了,里面有最新python教程项目可拿,不懂的问题多跟里面的人交流,进步更快哦!

2.很明显猜对了,源代码中确实有这很明显的规律,每一章节都有着及其固定的模板:

Python爬虫--喜马拉雅三国音频爬取

但是这时候我们并找不到深层的规律,那么下一步我们尝试下播放一条音频,但不仅仅是播放,更重要的是要抓包!!!

3.打开浏览器抓包工具(f12),点击任意一条音频,这里我就以第一条为例了。

Python爬虫--喜马拉雅三国音频爬取

Python爬虫--喜马拉雅三国音频爬取

上面两张图是我抓取到的geturl和返回的json,可以看出返回的内容里确实有三条音频地址,复制到浏览器可以直接播放,听一听就是我们要的宝贝。重点来了,geturl中我圈出来的看着是不是很眼熟?不错,那个就是网页源代码里面每个章节url里的一个值,而这个值就是每个章节的sound_id,再按照上面的步骤,操作其他章节看看,也是一样的规律。那么思路很清晰了,我们只需要把每个章节的id的sound_id替换到geturl中不就可以获取到每个章节的音频了么?

4.开始写代码:

  1.  
    import requests
  2.  
    import re
  3.  
     
  4.  
    #获取网页源代码&解决反爬
  5.  
    header = {'user-agent':'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/63.0.3239.132 safari/537.36'}
  6.  
    html = requests.get('http://www.ximalaya.com/4228109/album/268522/',headers=header)
  7.  
    print(html.text)
  8.  
    reg = '<a class="title" href="/4228109/sound/(.*?)/" hashlink title="(.*?)">'
  9.  
    name_url = re.findall(reg,html.text)
  10.  
    print(name_url)

这个时候我们可以看到,网页每个章节和对应sound_id都被找出来了。

Python爬虫--喜马拉雅三国音频爬取

5.返回的有没有很乱?确实很乱,但是返回的都是元组类型,那么我们来定义一个id和标题吧。

  1.  
    for sound_id,title in name_url:
  2.  
    print(sound_id,title)

看下效果,有没有耳目一新:

Python爬虫--喜马拉雅三国音频爬取

6.好了,回到最开始我们抓包的时候,我们的音频都在一个抓取的json里,开始拼接咱们的json url

  1.  
    json_url = 'http://www.ximalaya.com/tracks/'+str(sound_id)+'.json'
  2.  
    print(title,json_url)

Python爬虫--喜马拉雅三国音频爬取

7.既然已经获取到了每个url,那么现在去json里面取最终的音频url吧

首先去请求下每个音频的json url,然后正在匹配出最终的url吧,另外如果你刚学不久,建议如果你看不懂,建议先去小编的python交流.裙 :一久武其而而流一思(数字的谐音)转换下可以找到了,里面有最新python教程项目可拿,不懂的问题多跟里面的人交流,进步更快哦!

  1.  
    #获取每个音频的json url
  2.  
    json_url = 'http://www.ximalaya.com/tracks/'+str(sound_id)+'.json'
  3.  
    # print(json_url)
  4.  
     
  5.  
    result = requests.get(json_url,headers=header)
  6.  
    reg1 = '"play_path_64":"(.*?)"'
  7.  
     
  8.  
    #最终的音频url数列
  9.  
    sound_url = re.findall(reg1,result.text)
  10.  
    #打印音频url数列
  11.  
    print(title,sound_url)

Python爬虫--喜马拉雅三国音频爬取

8.好了,url都拿到了,可以去下载了。。。

Python爬虫--喜马拉雅三国音频爬取

Python爬虫--喜马拉雅三国音频爬取

 

最后,贴上完整代码:

  1.  
    import requests
  2.  
    import re
  3.  
    import time
  4.  
     
  5.  
    #获取网页源代码&解决反爬
  6.  
    header = {'user-agent':'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/63.0.3239.132 safari/537.36'}
  7.  
    html = requests.get('http://www.ximalaya.com/4228109/album/268522/',headers=header)
  8.  
    # print(html.text)
  9.  
    reg = '<a class="title" href="/4228109/sound/(.*?)/" hashlink title="(.*?)">'
  10.  
    name_url = re.findall(reg,html.text)
  11.  
    # print(name_url)
  12.  
    for sound_id,title in name_url:
  13.  
    # print(sound_id,title)
  14.  
     
  15.  
    #获取每个音频的json url
  16.  
    json_url = 'http://www.ximalaya.com/tracks/'+str(sound_id)+'.json'
  17.  
    # print(json_url)
  18.  
     
  19.  
    #正则匹配出id和音频url
  20.  
    result = requests.get(json_url,headers=header)
  21.  
    reg1 = '"play_path_64":"(.*?)"'
  22.  
     
  23.  
    #最终的音频url数列
  24.  
    sound_url = re.findall(reg1,result.text)
  25.  
    #打印音频url数列
  26.  
    # print(sound_url)
  27.  
    # print(title,sound_url[0])
  28.  
     
  29.  
    data = requests.get(sound_url[0])
  30.  
    with open(title+'.m4a','wb') as f:
  31.  
    f.write(data.content)
  32.  
    print('下载完成:',title)
  33.  
    time.sleep(1)