| python爬虫 | 您所在的位置：网站首页 › 酷狗音乐提取音乐文件 › python爬虫 |
python爬虫
|
酷狗音乐Top500
酷狗top500http://www.kugou.com/yy/rank/home/1-8888.html?from=rank 进入，并按F12打开开发者工具（本文以火狐浏览器为例） 我们开始审查元素，在查看器中观察网页源代码，或者右键查看页面源代码，看源代码中是否有我们想要的信息。 我们可以在这里看到歌单信息，在ul标签下正好有22条li个标签，正好是页面中的22首歌。因此我们只需获取这些个li标签，就能获取酷狗top信息。 我们已经将所有的需求全部分析出来了，接下来就是利用python获取这些信息。用到的模块有requests，BeautifulSoup，time。 只需少量的代码，便可实现我们的需求。我们先看代码 完整代码 import time import requests from bs4 import BeautifulSoup headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:58.0) Gecko/20100101 Firefox/58.0'} def top(url): html = requests.get(url, headers=headers) soup=BeautifulSoup(html.text,'lxml') No = soup.select('.pc_temp_num') titles = soup.select('.pc_temp_songname') href = soup.select('.pc_temp_songname') time = soup.select('.pc_temp_time') for No,titles,time,href in zip(No,titles,time,href): data={ 'NO':No.get_text().strip(), 'titles':titles.get_text(), 'time':time.get_text().strip(), 'href':href.get('href') } print(data) if __name__=='__main__': urls = {'http://www.kugou.com/yy/rank/home/{}-8888.html'.format(str(i)) for i in range(1,24)} for url in urls: time.sleep(5) top(url)既然我们用到BeautifulSoup，我在这里就简单介绍一下这个模块。 BeautifulSoup 1.简介 Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。 Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。 2.安装 pip install BeautifulSoup4或 easy_install BeautifulSoup43.创建BeautifulSoup对象 首先应该导入BeautifulSoup类库 from bs4 import BeautifulSoup 下面开始创建对像，在开始之前为了方便演示，先创建一个html文本，如下： html = """ The Dormouse's story The Dormouse's story Once upon a time there were three little sisters; and their names were , Lacie and Tillie; and they lived at the bottom of a well. ... """创建对象：soup=BeautifulSoup(html,’lxml’),这里的lxml是解析的类库，目前来说个人觉得最好的解析器了，一直在用这个，安装方法：pip install lxml Tag Tag就是html中的一个标签，用BeautifulSoup就能解析出来Tag的具体内容，具体的格式为soup.name,其中name是html下的标签，具体实例如下： print (soup.title) 输出title标签下的内容，包括此标签，这个将会输出 The Dormouse's story 注意： 这里的格式只能获取这些标签的第一个，后面会讲到获取多个标签的方法。其中对于Tag有两个重要的属性name和attrs,分别表示名字和属性,介绍如下： • name:对于Tag，它的name就是其本身，如soup.p.name就是p • attrs是一个字典类型的，对应的是属性-值，如print (soup.p.attrs),输出的就是{‘class’: [‘title’], ‘name’: ‘dromouse’},当然你也可以得到具体的值，如 print (soup.p.attrs[‘class’]),输出的就是[title]是一个列表的类型，因为一个属性可能对应多个值,当然你也可以通过get方法得到属性的，如： print (soup.p.get(‘class’))。还可以直接使用print (soup.p[‘class’]) get get方法用于得到标签下的属性值，注意这是一个重要的方法，在许多场合都能用到，比如你要得到 string 得到标签下的文本内容，只有在此标签下没有子标签，或者只有一个子标签的情况下才能返回其中的内容，否则返回的是None具体实例如下： print (soup.p.string) #在上面的一段文本中p标签没有子标签，因此能够正确返回文本的内容 print (soup.html.string) #这里得到的就是None,因为这里的html中有很多的子标签 get_text() 可以获得一个标签中的所有文本内容，包括子孙节点的内容，这是最常用的方法 搜索文档树 find_all( name , attrs , recursive , text , **kwargs )find_all是用于搜索节点中所有符合过滤条件的节点 name参数：是Tag的名字，如p,div,title …..soup.find_all("p") 查找所有的p标签，返回的是[The Dormouse's story]，可以通过遍历获取每一个节点，如下： ps=soup.find_all("p") for p in ps: print p.get('class')得到p标签下的class属性 传入正则表达式：soup.find_all(re.compile(r’^b’)查找以b开头的所有标签，这里的body和b标签都会被查到 传入类列表：如果传入列表参数,BeautifulSoup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有标签和标签 soup.find_all(["a", "b"]) KeyWords参数，就是传入属性和对应的属性值，或者一些其他的表达式soup.find_all(id='link2'),这个将会搜索找到所有的id属性为link2的标签。传入正则表达式soup.find_all(href=re.compile("elsie"))，这个将会查找所有href属性满足正则表达式的标签 传入多个值：soup.find_all(id='link2',class_='title') ,这个将会查找到同时满足这两个属性的标签，这里的class必须用class_传入参数，因为class是python中的关键词 有些属性不能通过以上方法直接搜索，比如html5中的data-*属性，不过可以通过attrs参数指定一个字典参数来搜索包含特殊属性的标签，如下： # [foo!]data_soup.find_all(attrs={"data-foo": "value"}) #注意这里的atts不仅能够搜索特殊属性，亦可以搜索普通属性 soup.find_all("p",attrs={'class':'title','id':'value'}) 相当与soup.find_all('p',class_='title',id='value') text参数：通过 text 参数可以搜搜文档中的字符串内容.与 name 参数的可选值一样, text 参数接受 字符串 , 正则表达式 , 列表, True soup.find_all(text="Elsie")[u'Elsie'] soup.find_all(text=["Tillie", "Elsie", "Lacie"]) [u'Elsie', u'Lacie', u'Tillie'] soup.find_all(text=re.compile("Dormouse")) [u"The Dormouse's story", u"The Dormouse's story"] limit参数：find_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果.文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量,代码如下： soup.find_all("a", limit=2) [Elsie, Lacie] recursive 参数:调用tag的 find_all()方法时,BeautifulSoup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数recursive=False find( name , attrs , recursive , text , **kwargs ) 它与 find_all() 方法唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果,就是直接返回第一匹配到的元素，不是列表，不用遍历，如soup.find("p").get("class")通过标签名查找print (soup.select('title')) [The Dormouse's story] print (soup.select('a')) [, Lacie, Tillie]通过类名查找print (soup.select('.sister')) [, Lacie, Tillie]通过id名查找print (soup.select('#link1')) []组合查找 学过 css 的都知道 css 选择器，如 p #link1 是查找 p 标签下的 id 属性为 link1 的标签 print (soup.select('p #link1')) #查找p标签中内容为id属性为link1的标签 []print (soup.select("head > title")) #直接查找子标签 [The Dormouse's story]属性查找 查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。 print (soup.select('a[class="sister"]')) [, Lacie, Tillie] print (soup.select('a[href="http://example.com/elsie"]')) []同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格,代码如下： print (soup.select('p a[href="http://example.com/elsie"]')) []以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容 soup = BeautifulSoup(html, 'lxml') print (type(soup.select('title'))) print (soup.select('title')[0].get_text()) for title in soup.select('title'): print (title.get_text())以上就是BeautifulSoup的一些使用方法，看完BeautifulSoup的使用方法，我们就明白函数def top(url):中的用法了。在这个函数中，还有一个zip(No,titles,time,href)，介绍一下 zip（） zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。 如果各个迭代器的元素个数不一致，则返回列表长度与最短的对象相同，利用 * 号操作符，可以将元组解压为列表。 strip（） Python strip() 方法用于移除字符串头尾指定的字符（默认为空格或换行符）或字符序列。 注意：该方法只能删除开头或是结尾的字符，不能删除中间部分的字符。 运行结果:
本文程序只是打印出结果。也可将结果存入到TXT文档中，数据库中，或Excel中。可以参考python爬虫——豆瓣top250，，写入文档，存入数据库 |
但这只是一页信息，我们看看第二页是否也是如此！！！ 
但是好像不能点击下一页啊，需要我们下载客户端。不要真的下载客户端查看，因为我们是程序员，哈哈！！！我们尝试改一下网址信息。 
我们发现这个办法是真的可以，我们尝试一下第三页，第四页，都能够打开。这样们也找到了所有的网址。可以将500首全部遍历出来。一共是23页. 
【本文地址】