Python爬虫--喜马拉雅三国音频爬取
本文以爬取喜马拉雅"三国演义-原文朗读【四大名著】"一书为例,演示下Python爬虫。
原书地址:http://www.ximalaya.com/4228109/album/268522/
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。
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:
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。
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:
import requests
import re#获取网页源代码&解决反爬
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'}
html = requests.get('http://www.ximalaya.com/4228109/album/268522/',headers=header)
print(html.text)
reg = '<a class="title" href="/4228109/sound/(.*?)/" hashlink title="(.*?)">'
name_url = re.findall(reg,html.text)
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。
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。
for sound_id,title in name_url:print(sound_id,title)
看下效果,有没有耳目一新:
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
json_url = 'http://www.ximalaya.com/tracks/'+str(sound_id)+'.json'print(title,json_url)
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
#获取每个音频的json URLjson_url = 'http://www.ximalaya.com/tracks/'+str(sound_id)+'.json'# print(json_url)result = requests.get(json_url,headers=header)reg1 = '"play_path_64":"(.*?)"'#最终的音频URL数列sound_url = re.findall(reg1,result.text)#打印音频URL数列print(title,sound_url)
8.好了,URL都拿到了,可以去下载了。。。
最后,贴上完整代码:
import requests
import re
import time#获取网页源代码&解决反爬
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'}
html = requests.get('http://www.ximalaya.com/4228109/album/268522/',headers=header)
# print(html.text)
reg = '<a class="title" href="/4228109/sound/(.*?)/" hashlink title="(.*?)">'
name_url = re.findall(reg,html.text)
# print(name_url)
for sound_id,title in name_url:# print(sound_id,title)#获取每个音频的json URLjson_url = 'http://www.ximalaya.com/tracks/'+str(sound_id)+'.json'# print(json_url)#正则匹配出ID和音频URLresult = requests.get(json_url,headers=header)reg1 = '"play_path_64":"(.*?)"'#最终的音频URL数列sound_url = re.findall(reg1,result.text)#打印音频URL数列# print(sound_url)# print(title,sound_url[0])data = requests.get(sound_url[0])with open(title+'.m4a','wb') as f:f.write(data.content)print('下载完成:',title)time.sleep(1)
Python爬虫--喜马拉雅三国音频爬取相关推荐
- 爬虫day5 易中天品三国音频爬取
# 易中天品三国音频爬取import requests from lxml import etree from urllib import parse,request base_url = 'http ...
- python爬取图片教程-推荐|Python 爬虫系列教程一爬取批量百度图片
Python 爬虫系列教程一爬取批量百度图片https://blog.csdn.net/qq_40774175/article/details/81273198# -*- coding: utf-8 ...
- python爬虫对炒股有没有用_使用python爬虫实现网络股票信息爬取的demo
实例如下所示: import requests from bs4 import BeautifulSoup import traceback import re def getHTMLText(url ...
- python爬虫 豆瓣影评的爬取cookies实现自动登录账号
python爬虫 豆瓣影评的爬取cookies实现自动登录账号 频繁的登录网页会让豆瓣锁定你的账号-- 网页请求 使用cookies来实现的自动登录账号,这里的cookies因为涉及到账号我屏蔽了,具 ...
- 转 Python爬虫实战一之爬取糗事百科段子
静觅 » Python爬虫实战一之爬取糗事百科段子 首先,糗事百科大家都听说过吧?糗友们发的搞笑的段子一抓一大把,这次我们尝试一下用爬虫把他们抓取下来. 友情提示 糗事百科在前一段时间进行了改版,导致 ...
- 《python爬虫实战》:爬取贴吧上的帖子
<python爬虫实战>:爬取贴吧上的帖子 经过前面两篇例子的练习,自己也对爬虫有了一定的经验. 由于目前还没有利用BeautifulSoup库,因此关于爬虫的难点还是正则表达式的书写. ...
- Python 爬虫 中国行政区划信息爬取 (初学者)
Python 爬虫 中国行政区划信息爬取 (初学者) 背景 环境准备 代码片段 1.定义地址信息对象 2.地址解析对象 2.1 获取web信息 2.2 web信息解析 2.3 区划信息提取 2.4 省 ...
- python爬虫学习 之 定向爬取 淘宝商品价格
python爬虫学习 之 定向爬取 淘宝商品价格 import requests import redef getHTMLText(url):try:r = requests.get(url, tim ...
- python爬虫股票市盈率_使用python爬虫实现网络股票信息爬取的demo
实例如下所示: import requests from bs4 import BeautifulSoup import traceback import re def getHTMLText(url ...
最新文章
- 【视频课】深度学习必备基础,如何使用好数据?
- JEECG第16期架构培训班15号开班,每期只有10个名额!想报名的同学速度啦!
- linux添加硬盘不重启(vmware下或者虚拟机下面)
- 京泉华:与小米生态链公司已在智能家居领域等展开相关业务合作
- Unity之读取配置表去加载物体
- cacti监控Memcached
- angularJS添加form验证:自定义验证
- MySQL空间索引简单使用
- 这几个网站藏着一代人的科技童年……
- 数据挖掘算法和实际应用案例
- 可以在手机预览ps设计稿的软件
- EMOS部署及管理和部署EMOS邮件服务器
- SharePoint REST API - 使用REST接口对列表设置自定义权限
- 混合开发--vue之mand-mobile 框架引入,解决组件巨大问题
- ios android 设计图,帮你彻底搞懂 iOS 和 Android 的设计差异
- VB编程编辑AutoCAD样条曲线
- ESP8266入门教程11:连接MQTT服务器
- 快速合并多个文件内容到一个文件中
- GO语言开山篇(二):诞生小故事
- 第十五届智能车入门浅谈