Java爬虫系列之实战：爬取酷狗音乐网 TOP500 的歌曲(附源码)

在前面分享的两篇随笔中分别介绍了HttpClient和Jsoup以及简单的代码案例：

Java爬虫系列二：使用HttpClient抓取页面HTML
Java爬虫系列三：使用Jsoup解析HTML

今天就来实战下，用他们来抓取酷狗音乐网上的 Top500排行榜音乐。接下来的代码中除了会用到HttpClient和Jsoup之外，还会用到log4j和ehcache，分别用来记录日志和实现缓存，如果看官对这两个不是很熟悉的话，请自行百度，现在网上的入门实例有很多，我就不专门记笔记了。

那为什么会想到爬取酷狗音乐网呢？其实也不是我想到的，而是不久前看过某位大神的博客就是爬取酷狗的（具体哪位大神不记得了，见谅哈~~~），我也想用自己的代码试试，并且我看的博客里面好像没有用到缓存，也没有用到代理ip这种反反爬虫的工具，我会在我的爬虫程序里面补上，亲测能自动处理全部23页的歌曲（但是付费歌曲由于必须登录购买才能访问，因此未能下载到，只有其他的400+首非付费歌曲可以正常下载），所以酷狗网的工作人员不要担心哦~~~

话有又说回来了，在那篇博客出来后，也没见酷狗音乐去专门处理下，还能给我留下写这段代码的机会，说明人家酷狗不在乎，毕竟付费歌曲是不能爬取的，而且网站已经有了一定的反爬虫机制。

***************************************************************************

声明：

本爬虫程序和程序爬取到的内容仅限个人学习交流使用，

请勿用于商业用途，否则后果自负

***************************************************************************

好，废话不多说，该上干货了~~

================很华丽的分割线=================

一、设计思路

首先说下思路，我看过的那篇博客没有把过程写详细，我就把它补充下吧：

1.点进去Top500排行榜，它的地址栏里面是：https://www.kugou.com/yy/rank/home/1-8888.html?from=homepage，而这个1其实就是页码，访问第N页就把1改成N就行，这个是我爬取的基础

2.点具体某首歌曲，比如《你的酒馆对我打了烊》，新打开页面：https://www.kugou.com/song/#hash=BE1E1D3C2A46B4CBD259ACA7FF050CD3&album_id=14913769，

3.我们F12分析下网络请求（啥？打开F12没东西？大哥呀你不会再刷新下吗），

你会发现有个耗时很长的请求,而且类型是media，它很可能就是真正获取mp3的请求

仔细看，果然是的，mp3的真实地址是：http://fs.w.kugou.com/201905272134/9d4d81230e6f5c759df51618b03961a7/G126/M00/05/09/HocBAFxLAoeAT3BzAD1nWyW7V5M814.mp3

关掉页面，重新进入该页面，MP3的真是地址是：http://fs.w.kugou.com/201905272139/2897cc9816b82f4cda304d927187b282/G126/M00/05/09/HocBAFxLAoeAT3BzAD1nWyW7V5M814.mp3

根据这个看不出来啥

继续分析，那它是怎么找到这个真实地址的呢？应该是前面的某个请求里面获取到了真实地址，找前面的请求：

这个请求的response里面含有MP3的真实地址，

请求的request为：

https://wwwapi.kugou.com/yy/index.php?r=play/getdata&callback=jQuery19106506492572547629_1558964792005&hash=BE1E1D3C2A46B4CBD259ACA7FF050CD3&album_id=14913769&dfid=3LWatj1PQwvn09grkH3FbFAF&mid=31adc5218ff6a510b05aacad71bc7090&platid=4&_=1558964792007

退出重新获取一次，然后再退出换首歌再获取一下这个request，你会发现一些规律：

粉红色是歌曲播放页面地址栏里面的内容，加粗部分是日期的long值，其他的都可以不变（“jQuery19106506492572547629_1558964792005”虽然每次有变化，但是经过尝试，其实没有影响），

所以我们就可以通过请求这个链接来获取带有MP3真实地址的json，然后请求真实地址，从而获取音乐文件。

4.那粉红色部分的值怎么获取呢？查看top500的列表页的源码会发现有段内容，这个里面记录的第N页所有歌曲的hash值、歌曲名、id等基本信息

// 列表数据
global.features = [{"Hash":"BE1E1D3C2A46B4CBD259ACA7FF050CD3","FileName":"\u9648\u96ea\u51dd - \u4f60\u7684\u9152\u9986\u5bf9\u6211\u6253\u4e86\u70ca","timeLen":251.048,"privilege":10,"size":4024155,"album_id":14913769,"encrypt_id":"tlk6517"},{"Hash":"9198B18815EE8CE42AE368AE29276F78","FileName":"\u9648\u96ea\u51dd - \u7eff\u8272","timeLen":269.064,"privilege":10,"size":4314636,"album_id":15270740,"encrypt_id":"txskm8f"},{"Hash":"458E9B9F362277AC37E9EEF1CB80B535","FileName":"\u738b\u742a - \u4e07\u7231\u5343\u6069","timeLen":322.011,"privilege":10,"size":5152644,"album_id":18712576,"encrypt_id":"vsdz726"},{"Hash":"7E91FDE7E8D33E8ED11C6DB4620917E2","FileName":"\u5b64\u72ec\u8bd7\u4eba - \u6e21\u6211\u4e0d\u6e21\u5979","timeLen":182.23,"privilege":10,"size":2916145,"album_id":14624971,"encrypt_id":"th6cka5"},{"Hash":"9681F4CCD830B8436DB5F8218C7DF0C7","FileName":"\u864e\u4e8c - \u4f60\u4e00\u5b9a\u8981\u5e78\u798f","timeLen":259.066,"privilege":10,"size":4155201,"album_id":12249679,"encrypt_id":"rniv71f"},{"Hash":"44ABEAA9CCE29AFB5C947D4FBD2C567F","FileName":"\u5927\u58ee - \u4f2a\u88c5","timeLen":301.004,"privilege":10,"size":4817151,"album_id":15999493,"encrypt_id":"u6n6i28"},{"Hash":"5FCE4CBCB96D6025033BCE2025FC3943","FileName":"\u5468\u6770\u4f26 - \u544a\u767d\u6c14\u7403","timeLen":215,"privilege":10,"size":3443771,"album_id":1645030,"encrypt_id":"d5c5m23"},{"Hash":"0A62227CAAB66F54D43EC084B4BDD81F","FileName":"\u5468\u6770\u4f26 - \u7a3b\u9999","timeLen":223.582,"privilege":10,"size":3577344,"album_id":960399,"encrypt_id":"74itc7"},{"Hash":"A11F7A8BD2EA5BBDB32F58A9081F27B4","FileName":"\u82b1\u59d0 - \u72c2\u6d6a","timeLen":181.037,"privilege":10,"size":2902317,"album_id":13476703,"encrypt_id":"sfzob9f"},{"Hash":"33EB8FE0DC9F70D9F7FE4CB77305D5A8","FileName":"\u6d77\u6765\u963f\u6728\u3001\u963f\u5477\u62c9\u53e4\u3001\u66f2\u6bd4\u963f\u4e14 - \u522b\u77e5\u5df1","timeLen":280.111,"privilege":10,"size":4482365,"album_id":16324799,"encrypt_id":"uajki71"},{"Hash":"76D04F195C1F081CC0CD027A310A7D9A","FileName":"\u738b\u742a - \u7ad9\u7740\u7b49\u4f60\u4e09\u5343\u5e74","timeLen":381.083,"privilege":10,"size":6109771,"album_id":13886090,"encrypt_id":"sunkg88"},{"Hash":"9C00A468D2658487DB2DE4ED16A12B5A","FileName":"\u738b\u8d30\u6d6a - \u50cf\u9c7c","timeLen":285.031,"privilege":10,"size":4565459,"album_id":13621986,"encrypt_id":"smhia84"},{"Hash":"4F76587A5B0B93EEF15883E54DD3E2DB","FileName":"\u6bdb\u4e0d\u6613 - \u6d88\u6101 (Live)","timeLen":179,"privilege":10,"size":2870658,"album_id":2900867,"encrypt_id":"gf96d56"},{"Hash":"8B7DF540F77042FB76DA1EE3A79EAE0A","FileName":"NCF-\u827e\u529b - \u9ece\u660e\u524d\u7684\u9ed1\u6697 (\u5973\u58f0\u7248)","timeLen":145.058,"privilege":10,"size":2329748,"album_id":17997426,"encrypt_id":"twhgf05"},{"Hash":"7A3269C36D07E88A24FB35D246856FA4","FileName":"Yusee\u897f - \u5fc3\u5982\u6b62\u6c34","timeLen":182.883,"privilege":10,"size":2926594,"album_id":19692772,"encrypt_id":"wd07h77"},{"Hash":"7995A2173ED0914868BB860F93C3D642","FileName":"\u9b4f\u65b0\u96e8 - \u4f59\u60c5\u672a\u4e86","timeLen":216.189,"privilege":10,"size":3459539,"album_id":20709823,"encrypt_id":"wnru4c8"},{"Hash":"D8E40DA7F51C0486224E008A3B6ABD45","FileName":"\u5154\u5b50\u7259 - \u5c0f\u767d\u5154\u9047\u4e0a\u5361\u5e03\u5947\u8bfa","timeLen":163.087,"privilege":10,"size":2622454,"album_id":12492325,"encrypt_id":"rrrbccf"},{"Hash":"D2462B148305FF7D990F3B6EB3F90D66","FileName":"\u5f20\u656c\u8f69 - \u53ea\u662f\u592a\u7231\u4f60","timeLen":254.302,"privilege":10,"size":4080941,"album_id":558311,"encrypt_id":"3f65bd"},{"Hash":"03FE01457005CEEF8627BE5E5313D230","FileName":"\u84dd\u4e03\u4e03 - \u9ece\u660e\u524d\u7684\u9ed1\u6697 (\u5973\u58f0\u7248)","timeLen":111.986,"privilege":10,"size":1792253,"album_id":19842582,"encrypt_id":"w8lwi96"},{"Hash":"96E064A41AB84EBE4C03C6AAE3CB9334","FileName":"\u5f20\u7d2b\u8c6a - \u53ef\u4e0d\u53ef\u4ee5","timeLen":240.093,"privilege":10,"size":3855453,"album_id":9618875,"encrypt_id":"mkt6v7f"},{"Hash":"5D6CCE061BD65404BF5669FDD26C40B1","FileName":"\u4e01\u8299\u59ae - \u53ea\u662f\u592a\u7231\u4f60","timeLen":247.797,"privilege":10,"size":3965342,"album_id":18231730,"encrypt_id":"vhrxi30"},{"Hash":"95B48A0894FC2198B6E2B93C034AAC72","FileName":"\u5468\u6770\u4f26 - \u9752\u82b1\u74f7","timeLen":239.046,"privilege":10,"size":3825206,"album_id":979856,"encrypt_id":"7a6sd6"}];

把这些信息获取后放到ehcache缓存，hash为key，album_id为value，循环单个歌曲的时候播放页也能获取到hash，然后根据hash到缓存里面取值即可

5.根据以上获取的信息就可以正常爬取文件了，但是在爬取了一段时间后会发现无法正常下载了，在log中看到请求不到MP3的真实地址，返回的json报文里面error_code不为0，这个就是爬虫程序被网站识别了，这就要用到代理ip了，当被识别出后就换个代理ip，如此循环下去直到歌曲轮询完或代理ip被用完为止。

二、核心代码展示

有了思路之后，就可以写代码了，由于篇幅原因，这里只贴出部分核心代码，完整代码请在下面的gitee上获取

代码结构：

需要的依赖

<!-- httpclient 抓取html --><dependency><groupId>org.apache.httpcomponents</groupId><artifactId>httpclient</artifactId><version>4.5.8</version></dependency><!-- Jsoup 解析html--><dependency><groupId>org.jsoup</groupId><artifactId>jsoup</artifactId><version>1.11.3</version></dependency><!-- 用来下载歌曲，就不用自己写流操作了 --><dependency><groupId>commons-io</groupId><artifactId>commons-io</artifactId><version>2.6</version></dependency><!-- fastjson用来处理json --><dependency><groupId>com.alibaba</groupId><artifactId>fastjson</artifactId><version>1.2.58</version></dependency><!-- ehcache用作缓存 --><dependency><groupId>net.sf.ehcache</groupId><artifactId>ehcache</artifactId><version>2.10.6</version></dependency><!-- 引入slf4j-nop 纯粹是防止ehcache执行报错 --><dependency><groupId>org.slf4j</groupId><artifactId>slf4j-nop</artifactId><version>1.7.2</version></dependency><!-- log4j作为日志系统 --><dependency><groupId>log4j</groupId><artifactId>log4j</artifactId><version>1.2.17</version></dependency>

主类

package com.sam.kugou.main;import java.util.List;import org.apache.log4j.Logger;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;import com.alibaba.fastjson.JSONObject;
import com.sam.kugou.utils.DownLoadMusic;
import com.sam.kugou.utils.EhcacheUtil;
import com.sam.kugou.utils.HttpClientUtil;public class KugouSpiderMain {static final Logger logger = Logger.getLogger(KugouSpiderMain.class);static String URL_TEMP = "https://www.kugou.com/yy/rank/home/PAGE_NUM-8888.html?from=homepage";public static final int SLEEP_TIME_WHEN_DENY = 1000*60*60;//被网站识别后睡眠时间public static final int SPIDER_DURING = 1;//隔多久爬取下一首，单位：mspublic static final String DIR_NAME = "E:\\personal\\音乐\\酷狗\\";//音乐下载地址public static void main(String[] args) {//酷狗TOP500页面try {for (int i = 1; i <= 23; i++) {String url = URL_TEMP;url = url.replace("PAGE_NUM", i + "");/*** 1.请求歌曲列表*/logger.info(url);String html = HttpClientUtil.getHtml(url);logger.debug(html);/*** 2.获取该页的hash和id 放到缓存*/int beginIdx = html.indexOf("global.features = ");int endIdx = html.indexOf("];", beginIdx);String features = html.substring(beginIdx, endIdx + 1).replace("global.features = ", "");logger.info("containingOwnText >>>>>> " + features);List<JSONObject> list = JSONObject.parseArray(features, JSONObject.class);for (JSONObject jsonObject : list) {String hash = (String) jsonObject.get("Hash");Integer albumId = (Integer) jsonObject.get("album_id");EhcacheUtil.setCache(hash, albumId);}/*** 3.解析列表内容*/Document doc = Jsoup.parse(html);Elements songList = doc.select(".pc_temp_songlist ul li a");for (Element element : songList) {String title = element.attr("title");String href = element.attr("href");if(href.contains("https")) {try {Thread.sleep(SPIDER_DURING);} catch (InterruptedException e) {logger.error(e.getMessage());}logger.info("title " + title +" >>> href " + href);DownLoadMusic.requestMusic(title, href);}}}} catch(Exception ex) {logger.error(ex.getMessage(), ex);} finally {/**** 4.关闭*/EhcacheUtil.shutDownManager();}}}

获取真实地址

执行下载

public static void downLoad(String title, String url) {if(url == null || url.equals("")) {return ;}//已经完成的就不再重新下载Element finishedCache = EhcacheUtil.getFinishedCache(title);logger.debug("finishedCache >>>>> " + finishedCache);if(finishedCache != null) {logger.info("歌曲已经存在！！！");return;}String suffix = url.substring(url.lastIndexOf("."));try {HttpEntity httpEntity = HttpClientUtil.getHttpEntity(url);InputStream inputStream = httpEntity.getContent();String filePath = KugouSpiderMain.DIR_NAME+title+suffix;FileUtils.copyToFile(inputStream, new File(filePath));logger.info("***完成下载：***"+title+suffix);logger.info("***总歌曲数量：***"+(new File(KugouSpiderMain.DIR_NAME)).list().length);EhcacheUtil.setFinishedCache(url, title);} catch (IOException e) {logger.error(e.getMessage());}}

设置代理ip

public static boolean setProxy() {// 1.创建一个httpClientCloseableHttpClient httpClient = HttpClients.createDefault();CloseableHttpResponse response = null;String url = "https://raw.githubusercontent.com/fate0/proxylist/master/proxy.list";try {response = doRequest(httpClient, url);logger.debug("getHtml " + url + "**处理结果：**" + response.getStatusLine());// 5.判断返回结果，200， 成功if (HttpStatus.SC_OK == response.getStatusLine().getStatusCode()) {HttpEntity httpEntity = response.getEntity();String html = EntityUtils.toString(httpEntity, "utf-8");html = "["+html+"]";List<JSONObject> list = JSONArray.parseArray(html, JSONObject.class);for (JSONObject jsonObject : list) {int port = Integer.valueOf(jsonObject.get("port").toString());String host = jsonObject.get("host").toString();logger.info(host + ":"+port);if(isHostConnectable(host, port)) {//代理ip可以连接Element ipsCache = EhcacheUtil.getProxyIpsCache(host, port);//代理ip未使用过if(ipsCache == null) {proxyIp = host;proxyPort = port;EhcacheUtil.setProxyIpsCache(host, port);break;} else {logger.info("该代理ip已经使用过，切换下一个");}}}}} catch (Exception e) {logger.error(e.getMessage(),e);return false;} finally {// 关闭HttpClientUtils.closeQuietly(response);HttpClientUtils.closeQuietly(httpClient);}logger.info("切换代理ip成功：>>>" + proxyIp + ":" + proxyPort);return true;}

三、源码

留言源码谢谢

四、遗留问题

1.只能抓取到免费歌曲，对于收费歌曲不能抓取，其实我们也不该抓取

2.代码中为了方便用了很多static，不能支持多线程或并发抓取

3.其实代理IP那里可以优化的

声明：

本爬虫程序和程序爬取到的内容仅限个人学习交流使用，请勿用于商业用途，否则后果自负！！！谢谢

Java爬虫系列之实战：爬取酷狗音乐网 TOP500 的歌曲(附源码)相关推荐

Python网络爬虫实战14：爬取酷狗音乐中top500的歌曲
1. 网页源码 2. 代码实例 # coding:utf-8 # 第一步:导入相关库 import requests # 用于请求网页获取网页数据 from bs4 import Beautifu ...
Python爬虫入门——2. 2爬取酷狗音乐top1-500歌曲信息
有了第一个程序的基础,我们现在来爬取酷狗音乐top500的歌曲信息.连接http://www.kugou.com/yy/rank/home/1-8888.html 我们第一个程序只爬取了一个页面的数据 ...
Python爬虫之爬取酷狗音乐歌曲
Python爬虫之爬取酷狗音乐歌曲 1.安装第三方库在Python的语言库中, 分为Python标准库和Python的第三方库. Python标准库是在你安装Python的时候已经包含在了安装目录下 ...
Python爬虫案例：爬取酷狗音乐全排行榜歌曲
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本次目标爬取酷狗音乐全站排行榜歌曲目标地址 https://www.ku ...
爬虫训练（三）：爬取酷狗音乐
今天趁机一鼓作气,把简单爬虫内容一次学习完毕,最后以爬取酷狗音乐排行榜歌曲作为结束,然后对此次学习做一个整理和总结.而且前两篇有些混乱,这里把内容做一次阶段性总结. 一.安装包爬虫三大包:reque ...
Python爬虫爬取酷狗音乐TOP500
Python大作业内容简介: 用Python来爬取酷狗音乐TOP500的歌曲信息,统计这500首歌曲中出现的所有歌手,并做可视化处理生成词云实验代码: import time import req ...
Python爬取酷狗音乐-详解(多图预警)
目录 1.前言 2.分析一下 1. 2. 3. 3.代码解释 4.完整代码 5.结语 1.前言前面发布了一篇关于QQ音乐爬取的教程,但对于我们这种文艺青年来说,一个平台的歌曲怎么够我们听的,也是因为 ...
scrapy_redis分布式爬取酷狗音乐
scrapy_redis分布式爬取酷狗音乐前言安装scrapy_redis 创建scrapy项目 spider模块 items模块.pipelines模块 setting.py 调试运行成果图 ...
python爬取酷狗音乐排行榜
本文为大家分享了python爬取酷狗音乐排行榜的具体代码,供大家参考,具体内容如下转载于:https://www.cnblogs.com/Pythonmiss/p/10799941.html

Java爬虫系列之实战：爬取酷狗音乐网 TOP500 的歌曲(附源码)

Java爬虫系列之实战：爬取酷狗音乐网 TOP500 的歌曲(附源码)相关推荐

最新文章

热门文章