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 ...

Python爬虫--喜马拉雅三国音频爬取

Python爬虫--喜马拉雅三国音频爬取相关推荐

最新文章

热门文章