Python中使用requests和parsel爬取喜马拉雅电台音频
场景
喜马拉雅电台:
找到一步小说音频,这里以下面为例
https://www.ximalaya.com/youshengshu/16411402/
博客:
https://blog.csdn.net/badao_liumang_qizhi
关注公众号
霸道的程序猿
获取编程相关电子书、教程推送与免费下载。
实现
找到下载地址
使用谷歌浏览器打开上面网址,按F12打开调试,点击播放按钮后,然后找到Network下的Media下的Headers下的RequestURL,然后选中在新窗口中打开
打开之后就可以点击三个点出来之后的下载按钮,便可以下载
使用代码下载
打开PyCharm,新建一个Python项目
导入requests库,然后为了防止其反扒机制,找到浏览器上Headers下的Requests Headers下的User-Agent,复制出来。
#能发送http请求的库 import requests headers = { ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36‘ } media_url = ‘http://audio.cos.xmcdn.com/group47/M0A/34/EA/wKgKm1tHj6GwgeWBAFehkfjyvKI181.m4a‘ response = requests.get(media_url,headers = headers); with open(‘badao.mp4‘,mode=‘wb‘) as f: f.write(response.content)
下载成功之后
下载地址获取
上面只是获取一个音频的下载地址,怎样获取每一集的下载地址
还是刚才的调试页面,我们点击放大镜样的搜索按钮,出来搜索框之后,输入刚才下载地址的文件名
点击第一个返回json数据的接口url,找到其Headers下的RequestURL。
然后在新窗口打开
可以看到是通过这个API返回的Json数据中的下载地址。
那么这个API需要传递什么参数。通过其Headers底部的请求参数可以看到需要一个id参数和pytype参数。
通过对比每一集的接口的请求参数得知,pytype是固定的,id是每一集对应的链接中的id相对应的。
所以要是循环下载多集的话,需要在目录页面获取超链接的href属性中对应的id。
这里我们定义一个请求下载地址json数据的方法
defmedia_api(track_id): api_url=f‘https://www.ximalaya.com/revision/play/v1/audio?id={track_id}&ptype=1‘; response = requests.get(api_url,headers = headers) print(response.json()) media_api(98791745)
运行下打印json数据
提取下载地址
那么就需要根据传递的id参数通过这个接口返回json数据,并从json数据中提取src对应的url数据
def media_api(track_id): api_url=f‘https://www.ximalaya.com/revision/play/v1/audio?id={track_id}&ptype=1‘; response = requests.get(api_url,headers = headers) #print(response.json()) #json返回字典类型 提取使用[] data_json = response.json() src = data_json[‘data‘][‘src‘] return src media_api(98791745)
这样就能根据id获取每一集的下载地址,然后再将下载地址传递给上面第一步下载的方法中进行下载即可。
接下来就是怎样获取每一集的id。
parsel解析网页获取id
首先需要导入parsel模块
import parsel
如果没有安装则需要安装
pip install parsel
我们来到其目录页
在Elemnts下可以看到每一集是一个a标签,我们获取a标签的href属性中的最后面的id。
我们再定义一个方法,此方法能根据页面的url获取当前页的所有集的id。
def get_total_page(page_url): #请求页面 response = requests.get(page_url,headers = headers) print(response.text) #获取页面html的内容 sel = parsel.Selector(response.text) print(sel) #通过css选择器找到a标签 .sound-list代表 class属性为sound-list 然后下面的ul 下的li 下的a sound_list = sel.css(‘.sound-list ul li a‘) print(sound_list) #只有前30个是页面链接 截取前30个 for sound in sound_list[:30]: #extract_first()将对象中的文字提取出来 #获取a标签的href属性的内容 media_url = sound.css(‘a::attr(href)‘).extract_first() #/youshengshu/16411402/98791745 --只去最后面的id media_url = media_url.split(‘/‘)[-1] # 获取a标签的title属性的内容 media_name = sound.css(‘a::attr(title)‘).extract_first() #用yield将整个循环的内容返回 yield media_url,media_name
下载一页的音频
我们在main方法中调用获取当前页所有的集的id和名字,然后循环将拿到的id去请求api获取下载的地址,然后将下载地址传递给下载的方法去下载
if __name__ == ‘__main__‘: meidas = get_total_page(‘https://www.ximalaya.com/youshengshu/16411402/‘) for media_id,media_name in meidas: #print(media_url, media_name) media_url = media_api(media_id) download_meida(media_url, media_name)
运行程序将一页下载完
下载所有页
我们点击第二页看到url中追加了一个p2,依次类推,p+相应的页数。
这样就可以将页面url改造成传参的
if __name__ == ‘__main__‘: #循环页数下载 range代表下载的页数范围 for page in range(2,3): meidas = get_total_page(f‘https://www.ximalaya.com/youshengshu/16411402/p{page}‘) for media_id,media_name in meidas: #print(media_url, media_name) media_url = media_api(media_id) download_meida(media_url, media_name)
那么在range中就可以输入要下载的页数的范围。
如果输入(1,31)就是下载所有的30页,这里只下载第二页,所以range是(2,3)
代码下载
关注公众号:
霸道的程序猿
回复:
爬取喜马拉雅