Python爬蟲之批量下載音頻

猿友 2021-08-04 13:42:30 瀏覽數 (4845)

反饋

很多小伙伴有聽故事或者聽廣播的習慣，但并不是什么時候都有網絡，這時候把它們離線下來就可以隨時聽自己想聽的內容了?；诖诵枨?，今天的python爬蟲實戰(zhàn)我們就來介紹一下python批量下載音頻怎么操作吧。

文中代碼已經過處理，不能直接運行?。。?/p>
非法爬取別人網站資源是違法行為，學習爬蟲的時候在數據爬取方面也要適度?。?！

一、解析網站

1.1 獲取音頻地址

在目標網站上，隨便點開一個音頻，打開“開發(fā)者工具”，再點擊播放按鈕，可以看到出現(xiàn)了多個請求：

頁面分析

經過排查，發(fā)現(xiàn)可疑url:

查看它的響應信息，發(fā)現(xiàn)音頻地址就在里面：

請求分析

接下來，解析這個返回音頻地址的url：

https://www.****.com/revision/play/v1/audio?id=348451879&ptype=1

發(fā)現(xiàn)url中的id參數就決定了返回的音頻地址，而id參數是音頻的id號。

1.2 解析專欄網頁

我們已經知道了獲取音頻url的網址，接下來要獲取一個專欄內的音頻id和名稱，打開一個專欄，發(fā)現(xiàn)：

頁面解析

所有的音頻存放在class為1F_的li標簽中，再來解析li標簽：

元素解析

在li標簽中的第一個a標簽存儲著我們所有需要的數據，妙~啊！

1.3 整理億下思路

思路：

1.獲取專欄內的li標簽

2.獲取li標簽里的第一個a標簽

3.讀取a標簽的title和href屬性

4.將href解析成音頻id

5.將id帶入url請求音頻源地址

6.提取音頻源地址

7.請求音頻源地址

8.保存音頻（文件名為a的title屬性）

思路整理完了，開始編寫代碼。

二、編寫爬取代碼

代碼奉上——

import requests
from fake_useragent import UserAgent as ua
from bs4 import BeautifulSoup as bs

# 專欄地址
music_list_url = 'https://www.****.com/ertongjiaoyu/19702607/'
# 獲取音頻地址的url
get_link_url = "https://www.****.com/revision/play/v1/audio"

# UA偽裝
headers = {
    "User-Agent": ua().random
}

# 參數
params = {
    "id": None,    # id先設為None
    "ptype": "1",
}

# 獲取專欄HTML源碼
music_list_r = requests.get(music_list_url, headers=headers)
# 解析 獲取所有l(wèi)i標簽
soup = bs(music_list_r.text, "lxml")
li = soup.find_all("li", {"class": "lF_"})

# for循序遍歷處理
for i in li:
    a = i.find("a")   # 找到a標簽
    # 獲取href屬性
    # split("/")將字符串以"/"作為分隔符 從右往左數第一項是id號
    music_id = a.get("href").split("/")[-1]
    # 獲取title屬性 和“.m4a”拼接成文件名
    music_name = a.get("title") + ".m4a"

	# 修改請求參數id
    params['id'] = music_id

	# 獲得音頻源地址
    r = requests.get(get_link_url, headers=headers, params=params)
    link = r.json()['data']['src']

	# 獲取音頻文件并保存
    music_file = requests.get(link).content
    with open(music_name, "wb") as f:
        f.write(music_file)

print("下載完畢！")

運行代碼，等待億會（真的要等億會），可以看到當前目錄下已經出現(xiàn)了音頻文件，如圖：

爬取結果