Python实例---爬取下载喜马拉雅音频文件

PyCharm下python爬虫准备

打开pycharm

点击设置

点击项目解释器，再点击右边+号

搜索相关库并添加，例如：requests

喜马拉雅全网递归下载

打开谷歌/火狐浏览器，按F12打开开发者工具—>选择【网络】

编辑器浏览器输入： https://www.ximalaya.com/yinyue/ 点击【摇滚】

发现弹出新的URL：https://www.ximalaya.com/yinyue/yaogun/ [汉字转换拼音后的URL访问]

点击进入任意一个专辑[未播放]

点击播放音乐[播放中]

[是一个json格式的URL]访问搜索界面的源代码，查找albumId，通过这些albumid获取音频文件的url

https://www.ximalaya.com/revision/play/album?albumId=16372952&pageNum=1&sort=-1&pageSize=30

最后使用函数urllib.request.urlretrieve（）下载音乐即可

附源码：

import re

import os

import json

import requests

import urllib

from urllib import request

from pypinyin import lazy_pinyin

class XimaLaya(object):

    # 模拟浏览器操作

    def __init__(self):

        self.header = {

            "User-Agent": 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:60.0) Gecko/20100101 Firefox/60.0'

        }

    # 第一步： 根据输入的汉字转换为拼音

    def han_pinyin(self, hanzi):

        pin = lazy_pinyin(hanzi)   # 汉转拼音

        pin = "".join(pin)       # 去除空格

        return pin               # 返回拼音

    # 第二步： 根据REST格式去访问喜马拉雅,获取页面的HTML

    def getHtml(self, pinyin):

        url = 'https://www.ximalaya.com/yinyue/' + pinyin

        print("访问的网站是： " + url)

        html = requests.get(url, headers=self.header)

        # apparent_encoding通过调用chardet.detect()来识别文本编码，有些消耗计算资源

        html.encoding = html.apparent_encoding

        # html.encoding = 'utf8'  --> 直接改为UTF8也行

        with open('D:\XiMaLaya\html\\' + str(pinyin + '.html'), 'a', encoding='utf-8') as f:

            f.write(html.text)

        return html

    # 第三步：根据页面的内容获取对应歌单的albumId的值

    def getAlbumId(self, html):

        albumIdAll = re.findall(r'"albumId":(.*)', (html).text)  # 利用正则进行匹配,获取专辑ID

        print("专辑信息", albumIdAll)

        with open('D:\XiMaLaya\\albumIdAll\\' + str('albumIdAll.txt'), 'a', encoding='utf-8') as f:

            for x in albumIdAll:

                f.write(str(x))

        myList = []

        url3 = []

        for i in (albumIdAll[:1]):

            # 获取对应专辑ID的首页

            url2 = 'https://www.ximalaya.com/revision/play/album?albumId=' + i

            print(url2)

            # 进入对应专辑ID的首页信息

            html2 = requests.get(url2.split(',')[0], headers=self.header)

            # 含有下载URL的集合

            # src   "http://audio.xmcdn.com/group12/M03/2C/AA/wKgDW1WJ7GqxuItqAB8e1LXvuds895.m4a"

            url3 = (re.findall(r'"src":"(.*?)"', (html2).text))

            # 记录信息用的

            myList.append('获取对应专辑ID的首页\r\n' + url2 + '\n---------------------------------------')

            myList.append('含有下载URL的集合\r\n' + html2.text + '\n---------------------------------------')

            myList.append('下载专辑的URL集合\r\n' + str(url3) + '\n---------------------------------------')

            with open('D:\XiMaLaya\\albumIdAll\\' + str('hhh.txt'), 'a', encoding='utf-8') as f:

                f.write(json.dumps(myList))

        print('done')

        return url3    # 下载专辑的URL集合

    # 第四步： 获取专辑名

    def getTitle(self, html):

        t = re.findall(r'"title":"(.*?)"', (html).text)  # 获取titile（歌名）的值

        with open('D:\XiMaLaya\\albumIdAll\\' + str('albumId_Name.txt'), 'a', encoding='utf-8') as f:

            f.write(str(t))

        return t

    # 第五步： 下载歌曲

    def downLoad(self, url, title):

        n = 0

        for i in url:

            try:

                urllib.request.urlretrieve(i, 'D:\XiMaLaya\\'+str(title[n]+'.m4a'))

                print(str(title[n]), '...【下载成功】')

                n = n + 1

            except:

                print(str(title[n]) + "...【下载失败】")

if __name__ == '__main__':

    fm = XimaLaya()

    # 输入需要下载的歌曲类型

    str1 = fm.han_pinyin("摇滚")

    # 获取对应歌曲类型的首页信息

    html = fm.getHtml(str1)

    # 获取歌曲类型的首页里面的专辑名称

    title = fm.getTitle(html)

    # 获取歌曲类型的首页里面的专辑ID

    url3 = fm.getAlbumId(html)

    # 下载对应曲目

    fm.downLoad(url3, title)

喜马拉雅单一专辑的下载

打开谷歌/火狐浏览器，按F12打开开发者工具—>选择【网络】

编辑器浏览器输入： https://www.ximalaya.com/yinyue/12521114/

点击计入音乐[未播放前]

点击进入音乐[播放中]

[是一个json格式的URL]访问搜索界面的源代码，查找albumId，通过这些albumid获取音频文件的url

https://www.ximalaya.com/revision/play/album?albumId=12521114&pageNum=1&sort=-1&pageSize=30