python 爬取喜马拉雅节目生成RSS Feed

记录于：2020年12月03日
用了N年的手机在经历N次掉落之后终于扛不住了，后背都张嘴了，估计再摔一次电池都能飞出来。
换了手机，由于之前有听喜马拉雅的习惯，但是手机里自带有播客软件，强迫症逼着我不能下载喜马拉雅app。
找了几天没发现喜马拉雅提供的有RSS订阅（后来想了一下，别人怎么可能提供这个功能，O(∩_∩)O哈哈~），网上也没有相关服务。
苦啊，后来还是下载了喜马拉雅app，但是实在受不了，就索性自己捣鼓一个轮子。

诉求很简单，就是想将喜马拉雅的节目搬到播客软件，用原生的app听第三方的数据，这个需求好恶心啊，还好不是产品经理提的。

好吧，开始吧。
其实写爬虫，重要的不是代码实现，而是刚开始对需要爬取的数据的分析，分析怎么爬取，怎么得到自己的数据，只要这个流程明白了。代码实现就很简单了。

在这之前需要知道什么是RSS

分析

浏览器打开喜马拉雅，找到想听的节目，比如：郭德纲

这样就有了爬取项目啦，对着这个页面开始分析，我需要标题，作者，图片三个元素，打开浏览器F12，找到这三个元素的定位，这样只需要相应的代码就能抓取信息了，这些信息就足够生成RSS中的<channel> 元素啦。

重要的是<item> 元素，播客播的就是这个元素中的信息。
其实就是要拿到页面上的 [播放列表]，还是F12找到 [播放列表]的定位，有了定位，就可以抓取出这个列表，并获取这个列表中每个元素的链接，通过此链接就可以进去详情页。

点开详情页，离实现越来越近了。
我需要标题，描述，及播放源这三个元素来构成<item> 元素。
标题和描述很好获取，还是老套路F12定位就可以了，播放源就需要观察了，打开F12，观察详情页有哪些请求，看是否有某些请求得到声音源数据，
通过发现：https://www.ximalaya.com/revision/play/v1/audio 这个请求，会响应数据播放数据

这就能拿到播放数据啦。这样一来，第一页的所有播放数据都能拿到了。

由于当前是列表页，所以少不了分页，我们只需要找出当前页面是否存在下一页，且找到下一页的链接，发起请求然后重复步骤，这样就能拿到整个列表页。

有了上面的一通分析，就知道了如何去编写代码实现这个功能啦。

编码

按照上面的流程，进行编码

1.构建Channel对象

2.构建Item对象

3.生成RSS（在同级目录下会生成一个xml文件）

import requests
from bs4 import BeautifulSoup
import datetime

##################################
#####   公用对象，存储/生成    ######
##################################

# rss channel
class channel(object):

    def __init__(self, title, author, image):
        self.title = title
        self.author = author
        self.image = image

# rss item
class item(object):

    def __init__(self, title, pubDate, description,enclosure):
        self.title = title
        self.pubDate = pubDate
        self.description = description
        self.enclosure = enclosure

##################################
#####     爬取数据，存储      ######
##################################

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'
    }

# 开始页 - 郭德纲21年相声精选
mainUrl = "https://www.ximalaya.com/xiangsheng/9723091/"
# 播放地址
playV1 = "/revision/play/v1/audio?id={}&ptype=1"
# gmt时间格式化
GMT_FORMAT = '%a, %d %b %Y %H:%M:%S GMT'
# 网址
ximalaya = mainUrl[:mainUrl.index('/',8)]
# 所有播放项
items = []

# 构建Channel对象
def getChannel():
    r = requests.get(mainUrl, headers=headers)
    soup = BeautifulSoup(r.text, 'html.parser')
    title = soup.find('h1', attrs={'class': 'title vA_'}).text
    author = soup.find('a',attrs={'class':'nick-name gK_'}).text
    image = "http:" + soup.find('img', attrs={'class': 'img vA_'})['src'].split('!')[0]
    return channel(title, author, image)

# 构建Item对象
def getItem(listPageUrl):

    print('======> 正在爬取列表页',listPageUrl)
    r = requests.get(listPageUrl, headers=headers)
    soup = BeautifulSoup(r.text, 'html.parser')

    # 获取所有播放列表项详情
    soundList = soup.find_all('div', attrs={'class': 'text lF_'})
    for sound in soundList:
        getDetails(ximalaya + sound.a['href'])

    # 进入下一页
    pageNext = soup.find('li', attrs={'class': 'page-next page-item WJ_'})
    if pageNext:
        getItem(ximalaya + pageNext.a['href'])

# 进入详情页
def getDetails(detailPageUrl):

    print("======> 正在爬取详情页",detailPageUrl)

    r = requests.get(detailPageUrl, headers=headers)
    soup = BeautifulSoup(r.text, 'html.parser')

    # 标题
    title = soup.find('h1', attrs={'class': 'title-wrapper _uv'}).text
    # 发布时间
    pubDate = soup.find('span', attrs={'class': 'time _uv'}).text
    # 声音简介
    description = ""
    if soup.find('article'):
        description = soup.find('article').text

    # 播放源
    playUrl = ximalaya + playV1.format(detailPageUrl.split('/')[-1]);
    r = requests.get(playUrl, headers=headers)
    enclosure = r.json()['data']['src']

    items.append( item(title,datetime.datetime.strptime(pubDate, '%Y-%m-%d %H:%M:%S').strftime(GMT_FORMAT),description,enclosure) )

##################################
#####        生成RSS        ######
##################################

def createRSS(channel):

    rss_text = r'<rss ' \
               r' xmlns:atom="http://www.w3.org/2005/Atom" ' \
               r' xmlns:itunes="http://www.itunes.com/dtds/podcast-1.0.dtd" ' \
               r' version="2.0" ' \
               r' encoding="UTF-8"> ' \
               r' <channel>' \
               r' <title>{}</title>' \
               r' <itunes:author>{}</itunes:author>' \
               r' <itunes:image href="{}"/>' \
        .format(channel.title, channel.author, channel.image)

    for item in items:
        rss_text += r' <item>' \
                    r'  <title>{}</title>' \
                    r'  <description><![CDATA[{}]]></description>' \
                    r'  <enclosure url="{}" type="audio/mpeg"/>' \
                    r' </item>'\
            .format(item.title, item.description, item.enclosure)

    rss_text += r' </channel></rss>'

    print('======> 生成RSS')
    print(rss_text)

    #写入文件
    with open(mainUrl.split('/')[-2]+'.xml', 'w' ,encoding='utf-8') as f:
        f.write(rss_text)

if __name__=="__main__":

    channel = getChannel()
    getItem(mainUrl)
    createRSS(channel)

将生成后的xml放到服务器，就可以尽情享用了。

成果

易中天老师讲的真的好

后续

本文编写于2020年12月3日，后续官方可能会对页面进行更改，请求进行更改等，会导致以上爬虫失效，所以需要知道如何进行分析，才能知道如何爬取。

以上代码只作为学习探讨，请问恶意使用！