网易云歌单信息爬取及数据分析（1）爬虫部分

爬虫思路：

网页分为两个部分，歌单广场和歌单详情页。总体思路是先从歌单广场获取所有的URL然后去详情页进行解析。
最后的数据大概这个样子：

歌单广场：

在广场中需要实现获取所有歌单详情页的URL链接。

研究URL不难发现这样的规律，改变cat可以换歌单的大分类（华语，流行，全部等），limit是每页显示35个歌单，这里是第二页所以offset是35*2=70。那么只需要采用for循环就可以。

右键打开检查我们可以发现关于歌单详情页URL就在a标签下面herf，之后beautifulsoup就可以获取，查看一下具体歌单详情页的URL确实是这样，只需要做一下字符串的拼接就可以了。

下面是代码：

import requests as rq
from bs4 import BeautifulSoup
import pandas as pd
import numpy as np
import time
import concurrent.futures
from multiprocessing.dummy import Pool as pool
##后面所有的代码都是调的这些个库，我习惯写pd np因为懒。。。
list1=[]
headers = {'Referer': 'http://music.163.com/','Host': 'music.163.com','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36','Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8'}def getHTMLText(url,headers): #通用的获取网站内容的框架try:r = rq.get(url,headers=headers)r.raise_for_status()r.encoding = r.apparent_encodingreturn r.textexcept:return "网络解析错误"def get_url(cat):#获取首页该分类下面的歌单url，形成url_listdepth=38start_url='https://music.163.com/discover/playlist/?order=hot&cat='+catfor i in range(depth):try:url=start_url+'&limit=35'+'&offset='+str(35*(i+1))html=getHTMLText(url,headers)parse_main(html)except:print('失败')continuedef parse_main(html):#解析每个广场页，bs4弄出来歌单名，歌单URLsoup=BeautifulSoup(html,'html.parser')c=soup.find_all('li')for unit in c:try:name_url=unit.find('a',{'class':"tit f-thide s-fc0"})#m这里有URL，名字的信息number=eval(unit.find('span',{'class':'nb'}).text.replace('万','0000'))#这里获取的是播放量的信息,用于初步筛选list1=[name_url['title'].replace(u'\xa0', u' '),number,name_url['href']]url_list.append(list1)except:continue

弄出来list1大概这个样子：
[歌单名，播放次数，URL]
之后按照每个URL进入相应的详情页解析就可以了。

歌单详情页：

需要获取具体信息：

这里渴望拿到的是所属标签，播放次数，转发次数，收藏次数，评论量，歌单标题和歌单长度。他们的解析途径都差不多，都是beautifulsoup。我们可以看一个：

不难看到总共有两个属性，都在div标签下的a标签下的i，我们根据特征找到左右class为u-tag的标签然后弄出来它的text就行了。

tags=soup.find_all('a',{'class':'u-tag'})
##中间有省略
tag1=tags[0].text.replace(u'\xa0', u' ')

下面是具体代码：

finallist=[]
headers1={'Referer': 'http://music.163.com/','Host': 'music.163.com','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36','Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9'}
def parse_single(listid):#进入歌单内部解析，获取播放量，收藏量，标签等信息global countcount+=1  singleurl='https://music.163.com'+listidsingletext=getHTMLText(singleurl,headers=headers1)soup=BeautifulSoup(singletext,'html.parser')play_count=eval(soup.find('strong',{'class':'s-fc6'}).text)fav=eval(soup.find('a',{'class':'u-btni u-btni-fav'}).i.text.strip('(').strip(')'))share=eval(soup.find('a',{'class':'u-btni u-btni-share'}).i.text.strip('(').strip(')'))comment=eval(soup.find('a',{'data-res-action':'comment'}).i.span.text)length=eval(soup.find('span',{'id':'playlist-track-count'}).text)date=soup.find('span',{'class':'time s-fc4'}).text[:10]name=soup.find('h2',{"class":'f-ff2 f-brk'}).text.replace(u'\xa0', u' ')try:        tags=soup.find_all('a',{'class':'u-tag'})p=len(tags)if p==3:tag1=tags[0].text.replace(u'\xa0', u' ')tag2=tags[1].text.replace(u'\xa0', u' ')tag3=tags[2].text.replace(u'\xa0', u' ')elif p==2:tag1=tags[0].text.replace(u'\xa0', u' ')tag2=tags[1].text.replace(u'\xa0', u' ')tag3="nan"else :tag1=tags[0].text.replace(u'\xa0', u' ')tag2="nan"tag3="nan"list1=[name,date,play_count,fav,share,comment,length,tag1,tag2,tag3]finallist.append(list1)print('解析第{}个歌单成功'.format(count))except:tag1='nan'tag2='nan'tag3='nan'list1=[name,date,play_count,fav,share,comment,length,tag1,tag2,tag3]finallist.append(list1)print('解析第{}个歌单成功'.format(count))

整合

最后是我的main函数和多线程的使用当然这里你弄个列表个main函数传参也可以。

def main(type):get_url(type)print("歌单列表获取完成")print(url_list)main('轻音乐')
#这里需要自己改动标签（比如改为流行，华语等，下面存储同样改变）
a=pd.DataFrame(url_list)
b=list(a[2])
with concurrent.futures.ThreadPoolExecutor() as executor:executor.map(parse_single,b)
#多线程
print(finallist)
a=pd.DataFrame(finallist)
b=pd.DataFrame(url_list)
title_list=['名称','创建日期','播放次数','收藏量','转发量','评论数','歌单长度','tag1','tag2','tag3']
c=pd.Series(title_list)
a.columns=c
a.to_excel(r'C:\Users\Leo\Desktop\轻音乐.xlsx')
#数据输出到Excel

特别注意和解释

（1）headers很重要，并且广场和详情页的headers还不太一样，这个我捣鼓了好长时间，尽量还是都加相应页的headers。
（2）听从大佬的建议采用了多线程，用之前三秒钟爬出来一个，用之后不到一秒一个，很舒适。感觉这个操作计算和io都很密集，但是我没想到怎么同时使用多线程和多进程。（不明白的小伙伴可以看我的另外一个多线程多进程的博客）

-----后续数据分析请见下一篇-----

–本人准大二小白，欢迎dalao指教–
那路径啥的，自己看着调调吧。

最后附上全部代码：

import requests as rq
from bs4 import BeautifulSoup
import pandas as pd
import numpy as np
import time
import concurrent.futures
from multiprocessing.dummy import Pool as poollimit=10000#热门歌单播放量筛选下限
headers = {'Referer': 'http://music.163.com/','Host': 'music.163.com','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36','Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8'}
headers1={'Referer': 'http://music.163.com/','Host': 'music.163.com','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36','Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9'}
finallist=[]
url_list=[]
count=0
LABEL='轻音乐'def getHTMLText(url,headers): #通用的获取网站内容的框架try:r = rq.get(url,headers=headers)r.raise_for_status()r.encoding = r.apparent_encodingreturn r.textexcept:return "网络解析错误"def get_url(cat,depth):#获取首页该分类下面的歌单url，形成url_list#depth=1start_url='https://music.163.com/discover/playlist/?order=hot&cat='+catfor i in range(depth):try:url=start_url+'&limit=35'+'&offset='+str(35*(i+1))html=getHTMLText(url,headers)parse_main(html)except:print('失败')continuedef parse_main(html):#解析单个urlsoup=BeautifulSoup(html,'html.parser')c=soup.find_all('li')for unit in c:try:name_url=unit.find('a',{'class':"tit f-thide s-fc0"})#m这里有URL，名字的信息number=eval(unit.find('span',{'class':'nb'}).text.replace('万','0000'))#这里获取的是播放量的信息,用于初步筛选list1=[name_url['title'].replace(u'\xa0', u' '),number,name_url['href']]url_list.append(list1)except:continuedef parse_single(listid):#进入歌单内部解析，获取播放量，收藏量，标签等信息global countcount+=1#print(count)#print('\0')singleurl='https://music.163.com'+listid#print(singleurl)#print('\0')singletext=getHTMLText(singleurl,headers=headers1)#print("**")soup=BeautifulSoup(singletext,'html.parser')try:play_count=eval(soup.find('strong',{'class':'s-fc6'}).text)fav=soup.find('a',{'class':'u-btni u-btni-fav'}).i.text.strip('(').strip(')')if('万') in fav:fav=eval(fav.replace('万','0000'))share=eval(soup.find('a',{'class':'u-btni u-btni-share'}).i.text.strip('(').strip(')'))comment=eval(soup.find('a',{'data-res-action':'comment'}).i.span.text)length=eval(soup.find('span',{'id':'playlist-track-count'}).text)date=soup.find('span',{'class':'time s-fc4'}).text[:10]name=soup.find('h2',{"class":'f-ff2 f-brk'}).text.replace(u'\xa0', u' ')     tags=soup.find_all('a',{'class':'u-tag'})p=len(tags)tag1='nan'tag2='nan'tag3='nan'if p>=1:tag1=tags[0].text.replace(u'\xa0', u' ')if p>=2:tag2=tags[1].text.replace(u'\xa0', u' ')            if p==3:tag3=tags[2].text.replace(u'\xa0', u' ')            list1=[name,date,play_count,fav,share,comment,length,tag1,tag2,tag3]finallist.append(list1)print('解析第{}个歌单成功'.format(count))except:print('解析第{}个歌单失败'.format(count))returndef main(type,depth=38):get_url(type,depth=depth)print("歌单列表获取完成")print(url_list)a=pd.DataFrame(url_list)b=list(a[2])with concurrent.futures.ThreadPoolExecutor() as executor:executor.map(parse_single,b)#多线程  print(finallist)a=pd.DataFrame(finallist)b=pd.DataFrame(url_list)title_list=['名称','创建日期','播放次数','收藏量','转发量','评论数','歌单长度','tag1','tag2','tag3']c=pd.Series(title_list)a.columns=ca.to_excel(r'C:\Users\Leo\Desktop\{}.xlsx'.format(type))#数据输出到Excelmain(LABEL,depth=1)
# depth就是总共爬取多少页的，打开网站可以发现每页上有30多个，总共有38页。