Python爬虫案例教学：批量下载某狗所有热门榜单歌曲（附完整源码）

环境

• Python 3.6
• Pycharm

模块使用

import os
import requests
import parsel
import re
# 模块安装
'''
如何安装模块:
1. win + R 输入 cmd 输入安装命令： pip install 模块名 回车
2. pycharm里面安装 terminal 输入安装命令： pip install 模块名 回车

模块安装失败的原因：
1. 提示：pip 不是内部命令 你python环境变量可能没有设置好
2. 有安装进度条显示，但是安装到一半出现报错了 因为python安装模块都是在国外的网址进行下载安装的， 国内请求国外 网速很慢，下载速度大 概只有 几KBread time out 网络连接超时 你可以切换为国内的镜像源
3. 明明在cmd里面安装好了，但是在pycharm 提示我没有这个模块 你pycharm里面python解释器没有设置，你在pycharm设置里面重新设置一下
'''

​​觉得Python自己学不下去的，或者不知道该怎么学，怎么样把知识变现的？​​

爬虫的基本思路

数据来源分析

确定需求

通过开发者工具进行抓包分析

代码实现过程

发送请求 对于榜单url地址发送请求

获取数据 获取网页源代码数据

解析数据 提取所有榜单相对应的url地址

发送请求 对于 榜单的url地址发送请求

获取数据 获取网页源代码数据

解析数据 提取音乐 hash 和 id 值

发送请求 把 hash 和 id 值 参数相对url里面 发送请求

获取数据 获取json字典数据

解析数据 提取 歌名 音乐播放地址

保存数据

数据来源分析 >>> 发送请求 >>> 获取数据 >>> 解析数据 >>> 保存数据

完整代码

filename = 'music\\'
if not os.path.exists(filename):
os.mkdir(filename)


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


# 1. 发送请求 对于榜单url地址发送请求
url = 'https://www.kugou.com/yy/html/rank.html'
# 请求头 作用: 伪装 把python代码伪装成浏览器发送请求
# 任意一个数据包的 user-agent 都是一样的
# user-agent 表示的就是浏览器的基本信息
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
# 2. 获取数据 获取网页源代码数据
# print(response.text) # html 字符串数据(想直接解析字符串数据 只能用re) 转成 selector 对象
# 3. 解析数据 提取所有榜单相对应的url地址
selector = parsel.Selector(response.text)
# print(selector)
# css选择器 根据标签的内容 提取想要的数据
# 第一次提取 获取li 标签
lis = selector.css('.pc_rank_sidebar li')
lis = lis[13:]
# 返回的是列表, 所以可以遍历 把里面每一个元素提取出来 Selector 对象
for li in lis:
title = li.css('a::attr(title)').get()
link_url = li.css('a::attr(href)').get()
print(f'=====================正在爬取{title}=====================')
# print(title, link_url)
# 4. 发送请求 对于 榜单的url地址发送请求
response_1 = requests.get(url=link_url, headers=headers)
# re.findall('')
# 5. 获取数据 获取网页源代码数据 response_1.text
# print(response_1.text)
# 6. 解析数据 提取音乐 hash 和 id 值
hash_list = re.findall('"Hash":"(.*?)"', response_1.text)
# \d 匹配一个数字 \d+ 匹配多个数字 .*? 可以匹配任意字符 (除了\n)
# 正则表达式匹配的数据 返回的是列表
album_id = re.findall('"album_id":(\d+),', response_1.text)
for index in zip(hash_list, album_id):
hash = index[0]
music_id = index[1]
# 7. 发送请求 把 hash 和 id 值 参数相对url里面 发送请求
index_url = 'https://wwwapi.kugou.com/yy/index.php'
params = {
'r': 'play/getdata',
# 'callback': 'jQuery19106964302346548317_1629810585326',
'hash': hash,
'dfid': '1JdWoI2IQjNS2aq9KB1Ylhf3',
'mid': 'fe0e97001229790f9065ef29dec3bdcd',
'platid': '4',
'album_id': music_id,
'_': '1629810585327',
}
response_2 = requests.get(url=index_url, params=params, headers=headers)
# json_data = response_2.json()['data']
music_name = response_2.json()['data']['audio_name']
new_name = change_title(music_name)
music_url = response_2.json()['data']['play_url']
if music_url:
music_content = requests.get(url=music_url, headers=headers).content
with open(filename + new_name + '.mp3', mode='wb') as f:
f.write(music_content)
print(music_name)