Python爬取网易云音乐辑的图片、专辑名和专辑出版时间

淩亂°似流年 2023-01-10 03:56 183阅读 0赞

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,如有问题请及时联系我们以作处理。

作者：阿里波特

来源：CSDN

**Python爬虫、数据分析、网站开发等案例教程视频免费在线观看**

https://space.bilibili.com/523606542

# ![a2b6984089fbb14c9cf0ff607a09682a.png][] #

# **一、前言** #

前文说过我的设计师小伙伴的设计需求，他想做一个披头士乐队历年专辑的瀑布图。

通过搜索，发现网易云音乐上有比较全的历年专辑信息加配图，图片质量还可以，虽然有大有小。

我的例子怎么都是爬取图片？（谁让你总是跟设计师小伙伴一起玩耍。。。）看来图片对于设计师来说还是有着很深的情节，那就看他用这些图片能做出什么样的作品啦，期待一下，后续会展示一下他的作品。

其实爬取网易云音乐跟之前爬取的网站稍稍有点不同，当然，爬虫写的多了就觉得套路都是固定的，见招拆招而已。

# **二、运行环境** #

我的运行环境如下：

*  系统版本  
    Windows10。
 *  Python版本  
    Python3.5，推荐使用Anaconda 这个科学计算版本，主要是因为它自带一个包管理工具，可以解决有些包安装错误的问题。去Anaconda官网，选择Python3.5版本，然后下载安装。
 *  IDE  
    我使用的是PyCharm，是专门为Python开发的IDE。

# **三、实战** #

上面提到过，网易云音乐的网页跟普通的网页相比主要有两点不同：

*  网页是 js 动态加载的
 *  使用了iframe框架  
    所以，首先，网页请求不能使用requests库，需要使用Selenium + PhatomJS。其次，使用Selenium + PhatomJS后，还需要针对 iframe 做特定处理。

废话不多说，看实际操作步骤：  
首先打开网页 http://music.163.com

![2055db8689c6241ffc94481ac0c65e07.png][]

在右上角的搜索框中输入“The Beatles”，然后会有一个下拉选项，选择歌手 The Beatles （红框中的内容）。

![84e41cc872492d84049393fee38c216d.png][]

然后看到如下页面，选择红框中的“所有专辑”，点击。

![469a473de2e5649c5a42af410458949d.png][]

这样就会看见所有的专辑列表，以及下方的翻页按钮。

![5f55581d534a1a7716ea8e0fa19a5ecd.png][]

我们需要的就是所有专辑的图片、专辑名和专辑出版时间。看到这就可以构想一下爬虫的爬取逻辑了。定位到该页面，然后获取页码，然后挨个请求页面来爬取页面中的内容。  
点击一下翻页按钮看看url 有没有什么规律。

![c6672d9d91b64558303e3f311ce9136a.png][]

点击第二页后，看到上面的地址栏！！！看到这个地址栏我都懒得翻页了。。。

limit 参数是限制一个页面加载专辑的个数  
offset 参数是前面过滤多少个专辑，现在是一页12个专辑，所以第二页是offset=12，第三页offset=24，以此类推。。。

一共9页，一页12个，也不到120个。So… … 改一下url 就不用翻页了！！

limit 参数等于120，offset 参数 等于0，就搞定了！输入下面的url，看看是不是所有的专辑都加载出来了。

http://music.163.com/\#/artist/album?id=101988&limit=120&offset=0

下面就开始爬虫代码了。  
这里我们会用到上一篇博文中写好的几个工具方法：

def save_img(self, url, file_name): ##保存图片
            print('开始请求图片地址，过程会有点长...')
            img = self.request(url)
            print('开始保存图片')
            f = open(file_name, 'ab')
            f.write(img.content)
            print(file_name,'图片保存成功！')
            f.close()
    
        def request(self, url):  #封装的requests 请求
            r = requests.get(url)  # 像目标url地址发送get请求，返回一个response对象。有没有headers参数都可以。
            return r
    
        def mkdir(self, path):  ##这个函数创建文件夹
            path = path.strip()
            isExists = os.path.exists(path)
            if not isExists:
                print('创建名字叫做', path, '的文件夹')
                os.makedirs(path)
                print('创建成功！')
                return True
            else:
                print(path, '文件夹已经存在了，不再创建')
                return False
    
        def get_files(self, path): #获取文件夹中的文件名称列表
            pic_names = os.listdir(path)
            return pic_names

OK, 开始我们的爬虫逻辑部分：

这里值得注意的是，该页面使用frame 框架，使用Selenium + PhantomJS 后并不会加载iframe 框架中的网页内容。iframe 框架相当于在页面中又加载了一个页面，需要使用Selenium 的 switch\_to.frame() 方法加载（官网给的方法是switch\_to\_frame()，但是IDE提醒使用前面的方法替代该方法）。

看下面的网页结构，iframe的id是“g\_iframe”：

![359cd9f0b9063b89b11da258595e643a.png][]

加载 iframe 框架中的内容：

driver = webdriver.PhantomJS()
    driver.get(self.init_url)
    driver.switch_to.frame("g_iframe")
    html = driver.page_source

然后找到所有的封面元素：

![6b7ad5db13cab842e3d3e93548f6d75c.png][]

根据上图的网页结构可以看出，所有的专辑信息都在ul 标签里面，每一个专辑在一个li 标签里。li 标签中包含了图片url、专辑名字、以及专辑时间。

抓取其中的内容就好了。

all_li = BeautifulSoup(html, 'lxml').find(id='m-song-module').find_all('li')
    
    for li in all_li:
        album_img = li.find('img')['src']
        album_name = li.find('p', class_='dec')['title']
        album_date = li.find('span', class_='s-fc3').get_text()

这里获取到的图片url 依然是有图片宽高参数的，所以要过滤宽高参数：  
http://p4.music.126.net/pLA1GX0KtU-vU4ZA6Cr-OQ==/1401877340532770.jpg?param=120y120

把问号后面的参数过滤掉：

end_pos = album_img.index('?')  #找到问号的位置
    album_img_url = album_img[:end_pos]  #截取问号之前的内容

图片命名逻辑：专辑时间 + 专辑名。  
专辑名可能有一些特殊字符，需要替换掉！  
photo\_name = album\_date + ' - ' + album\_name.replace('/','').replace(':',',') + '.jpg'

再使用上一篇博文例子中的去重逻辑，修改后的爬虫逻辑部分如下：

def spider(self):
            print("Start!")
            driver = webdriver.PhantomJS()
            driver.get(self.init_url)
            driver.switch_to.frame("g_iframe")
            html = driver.page_source
    
            self.mkdir(self.folder_path)  # 创建文件夹
            print('开始切换文件夹')
            os.chdir(self.folder_path)  # 切换路径至上面创建的文件夹
    
            file_names = self.get_files(self.folder_path)  # 获取文件夹中的所有文件名，类型是list
    
            all_li = BeautifulSoup(html, 'lxml').find(id='m-song-module').find_all('li')
            # print(type(all_li))
    
            for li in all_li:
                album_img = li.find('img')['src']
                album_name = li.find('p', class_='dec')['title']
                album_date = li.find('span', class_='s-fc3').get_text()
                end_pos = album_img.index('?')
                album_img_url = album_img[:end_pos]
    
                photo_name = album_date + ' - ' + album_name.replace('/','').replace(':',',') + '.jpg'
                print(album_img_url, photo_name)
    
                if photo_name in file_names:
                    print('图片已经存在，不再重新下载')
                else:
                    self.save_img(album_img_url, photo_name)

其实相对于上篇博文的例子，这个爬虫的逻辑部分还是挺简洁的。

最后上一个完整的代码：也可以从GitHub下载

from selenium import webdriver
    from bs4 import BeautifulSoup
    import requests
    import os
    
    class AlbumCover():
    
        def __init__(self):
            self.init_url = "http://music.163.com/#/artist/album?id=101988&limit=120&offset=0" #请求网址
            self.folder_path = "C:\D\TheBeatles" #想要存放的文件目录
    
        def save_img(self, url, file_name):  ##保存图片
            print('开始请求图片地址，过程会有点长...')
            img = self.request(url)
            print('开始保存图片')
            f = open(file_name, 'ab')
            f.write(img.content)
            print(file_name, '图片保存成功！')
            f.close()
    
        def request(self, url):  # 封装的requests 请求
            r = requests.get(url)  # 像目标url地址发送get请求，返回一个response对象。有没有headers参数都可以。
            return r
    
        def mkdir(self, path):  ##这个函数创建文件夹
            path = path.strip()
            isExists = os.path.exists(path)
            if not isExists:
                print('创建名字叫做', path, '的文件夹')
                os.makedirs(path)
                print('创建成功！')
                return True
            else:
                print(path, '文件夹已经存在了，不再创建')
                return False
    
        def get_files(self, path):  # 获取文件夹中的文件名称列表
            pic_names = os.listdir(path)
            return pic_names
    
        def spider(self):
            print("Start!")
            driver = webdriver.PhantomJS()
            driver.get(self.init_url)
            driver.switch_to.frame("g_iframe")
            html = driver.page_source
    
            self.mkdir(self.folder_path)  # 创建文件夹
            print('开始切换文件夹')
            os.chdir(self.folder_path)  # 切换路径至上面创建的文件夹
    
            file_names = self.get_files(self.folder_path)  # 获取文件夹中的所有文件名，类型是list
    
            all_li = BeautifulSoup(html, 'lxml').find(id='m-song-module').find_all('li')
            # print(type(all_li))
    
            for li in all_li:
                album_img = li.find('img')['src']
                album_name = li.find('p', class_='dec')['title']
                album_date = li.find('span', class_='s-fc3').get_text()
                end_pos = album_img.index('?')
                album_img_url = album_img[:end_pos]
    
                photo_name = album_date + ' - ' + album_name.replace('/', '').replace(':', ',') + '.jpg'
                print(album_img_url, photo_name)
    
                if photo_name in file_names:
                    print('图片已经存在，不再重新下载')
                else:
                    self.save_img(album_img_url, photo_name)
    
    album_cover = AlbumCover()
    album_cover.spider()

执行结果：  
看看文件夹里面什么样：  
历年的专辑封面已经到手啦，还有专辑的名称和发行日期。

# **四、后语** #

这个实战很好的运用了咱们之前讲解的知识：

*  使用Selenium + PhatomJS 抓取动态页面
 *  使用Selenium 的switch\_to.frame() 加载 iframe 中的内容
 *  使用requests 库获取图片
 *  使用BeautifulSoup 库解析抓取网页内容。
 *  使用os 库创建文件夹和获取文件夹中的文件名称列表

[a2b6984089fbb14c9cf0ff607a09682a.png]: /images/20221119/f18b31bd47e74691a491b6308392a851.png
[2055db8689c6241ffc94481ac0c65e07.png]: /images/20221119/8553097f93d74ecdbc1b42a2c81b7c13.png
[84e41cc872492d84049393fee38c216d.png]: /images/20221119/376817f69fd6495f91fdb9402fdc887e.png
[469a473de2e5649c5a42af410458949d.png]: /images/20221119/eb1aacb221454ad0b54770bccf235416.png
[5f55581d534a1a7716ea8e0fa19a5ecd.png]: /images/20221119/720c1e44c2c1420eb073ab9962edf7d3.png
[c6672d9d91b64558303e3f311ce9136a.png]: /images/20221119/377fe8f0376a4c229a7e9a12b500187a.png
[359cd9f0b9063b89b11da258595e643a.png]: /images/20221119/1087b313f3a84a5191f143eaac26ee40.png
[6b7ad5db13cab842e3d3e93548f6d75c.png]: /images/20221119/f3856de8f2f44bdb925ff4ea20a5e252.png