Python爬虫小白---爬虫基础--Selenium PhantomJS

Posted 2020-09-26

一、前言

---

 　　   前段时间尝试爬取了网易云音乐的歌曲，这次打算爬取QQ音乐的歌曲信息。网易云音乐歌曲列表是通过iframe展示的，可以借助Selenium获取到iframe的页面元素，

　 而QQ音乐采用的是异步加载的方式，套路不一样，这是主流的页面加载方式，爬取有点难度，不过也是对自己的一个挑战。

 

二、Python爬取QQ音乐单曲

---

之前看的慕课网的一个视频, 很好地讲解了一般编写爬虫的步骤，我们也按这个来。

　　　　　　　　　　爬虫步骤

1.确定目标

首先我们要明确目标，本次爬取的是QQ音乐歌手刘德华的单曲。

（百度百科）->分析目标（策略：url格式（范围）、数据格式、网页编码）->编写代码->执行爬虫

2.分析目标

 歌曲链接：https://y.qq.com/n/yqq/singer/003aQYLo2x8izP.html#tab=song&

从左边的截图可以知道单曲采用分页的方式排列歌曲信息，每页显示30条，总共30页。点击页码或者最右边的">"会跳转到下一页，浏览器会向服务器发送ajax异步请求，从链接可以看到begin和num参数，分别代表起始歌曲下标（截图是第2页，起始下标是30）和一页返回30条，服务器响应返回json格式的歌曲信息（MusicJsonCallbacksinger_track({"code":0,"data":{"list":[{"Flisten_count1":......]})），如果只是单独想获取歌曲信息，可以直接拼接链接请求和解析返回的json格式的数据。这里不采用直接解析数据格式的方法，我采用的是Python Selenium方式，每获取和解析完一页的单曲信息，点击 ">" 跳转到下一页继续解析，直至解析并记录所有的单曲信息。最后请求每个单曲的链接，获取详细的单曲信息。

 

右边的截图是网页的源码，所有歌曲信息都在类名为mod_songlist的div浮层里面，类名为songlist_list的无序列表ul下，每个子元素li展示一个单曲，类名为songlist__album下的a标签，包含单曲的链接，名称和时长等。

 

3.编写代码

1）下载网页内容，这里使用Python 的Urllib标准库，自己封装了一个download方法：

def download(url, user_agent=‘wswp‘, num_retries=2):
    if url is None:
        return None
    print(‘Downloading:‘, url)
    headers = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36‘}
    request = urllib.request.Request(url, headers=headers)  # 设置用户代理wswp(Web Scraping with Python)
    try:
        html = urllib.request.urlopen(request).read().decode(‘utf-8‘)
    except urllib.error.URLError as e:
        print(‘Downloading Error:‘, e.reason)
        html = None
        if num_retries > 0:
            if hasattr(e, ‘code‘) and 500 <= e.code < 600:
                # retry when return code is 5xx HTTP erros
                return download(url, num_retries-1)  # 请求失败，默认重试2次,
    return html

2）解析网页内容，这里使用第三方插件BeautifulSoup,具体可以参考BeautifulSoup API 。

def music_scrapter(html, page_num=0):
    try:
        soup = BeautifulSoup(html, ‘html.parser‘)
        mod_songlist_div = soup.find_all(‘div‘, class_=‘mod_songlist‘)
        songlist_ul = mod_songlist_div[1].find(‘ul‘, class_=‘songlist__list‘)
        ‘‘‘开始解析li歌曲信息‘‘‘
        lis = songlist_ul.find_all(‘li‘)
        for li in lis:
            a = li.find(‘div‘, class_=‘songlist__album‘).find(‘a‘)
            music_url = a[‘href‘]  # 单曲链接
            urls.add_new_url(music_url)  # 保存单曲链接
            # print(‘music_url:{0} ‘.format(music_url))
        print(‘total music link num:%s‘ % len(urls.new_urls))
        next_page(page_num+1)
    except TimeoutException as err:
        print(‘解析网页出错:‘, err.args)
        return next_page(page_num + 1)
    return None

def get_music():
     try:
        while urls.has_new_url():
            # print(‘urls count:%s‘ % len(urls.new_urls))
            ‘‘‘跳转到歌曲链接，获取歌曲详情‘‘‘
            new_music_url = urls.get_new_url()
            print(‘url leave count:%s‘ % str( len(urls.new_urls) - 1))
            html_data_info = download(new_music_url)
            # 下载网页失败，直接进入下一循环，避免程序中断
            if html_data_info is None:
                continue
            soup_data_info = BeautifulSoup(html_data_info, ‘html.parser‘)
            if soup_data_info.find(‘div‘, class_=‘none_txt‘) is not None:
                print(new_music_url, ‘   对不起，由于版权原因，暂无法查看该专辑！‘)
                continue
            mod_songlist_div = soup_data_info.find(‘div‘, class_=‘mod_songlist‘)
            songlist_ul = mod_songlist_div.find(‘ul‘, class_=‘songlist__list‘)
            lis = songlist_ul.find_all(‘li‘)
            del lis[0]  # 删除第一个li
            # print(‘len(lis):$s‘ % len(lis))
            for li in lis:
                a_songname_txt = li.find(‘div‘, class_=‘songlist__songname‘).find(‘span‘, class_=‘songlist__songname_txt‘).find(‘a‘)
                if ‘https‘ not in a_songname_txt[‘href‘]:  #如果单曲链接不包含协议头，加上
                    song_url = ‘https:‘ + a_songname_txt[‘href‘]
                song_name = a_songname_txt[‘title‘]
                singer_name = li.find(‘div‘, class_=‘songlist__artist‘).find(‘a‘).get_text()
                song_time =li.find(‘div‘, class_=‘songlist__time‘).get_text()
                music_info = {}
                music_info[‘song_name‘] = song_name
                music_info[‘song_url‘] = song_url
                music_info[‘singer_name‘] = singer_name
                music_info[‘song_time‘] = song_time
                collect_data(music_info)
     except Exception as err:  # 如果解析异常，跳过
         print(‘Downloading or parse music information error continue:‘, err.args)

4.执行爬虫

爬虫跑起来了，一页一页地去爬取专辑的链接，并保存到集合中，最后通过get_music()方法获取单曲的名称，链接，歌手名称和时长并保存到Excel文件中。

三、Python爬取QQ音乐单曲总结

---

1.单曲采用的是分页方式，切换下一页是通过异步ajax请求从服务器获取json格式的数据并渲染到页面，浏览器地址栏链接是不变的，不能通过拼接链接来请求。一开始想过都通过Python Urllib库来模拟ajax请求，后来想想还是用Selenium。Selenium能够很好地模拟浏览器真实的操作，页面元素定位也很方便，模拟单击下一页，不断地切换单曲分页，再通过BeautifulSoup解析网页源码，获取单曲信息。

 

2.url链接管理器，采用集合数据结构来保存单曲链接，为什么要使用集合？因为多个单曲可能来自同一专辑（专辑网址一样），这样可以减少请求次数。

class UrlManager(object):
    def __init__(self):
        self.new_urls = set()  # 使用集合数据结构，过滤重复元素
        self.old_urls = set()  # 使用集合数据结构，过滤重复元素

    def add_new_url(self, url):
        if url is None:
            return
        if url not in self.new_urls and url not in self.old_urls:
            self.new_urls.add(url)

    def add_new_urls(self, urls):
        if urls is None or len(urls) == 0:
            return
        for url in urls:
            self.add_new_url(url)

    def has_new_url(self):
        return len(self.new_urls) != 0

    def get_new_url(self):
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

3.通过Python第三方插件openpyxl读写Excel十分方便，把单曲信息通过Excel文件可以很好地保存起来。

def write_to_excel(self, content):
    try:
        for row in content:
            self.workSheet.append([row[‘song_name‘], row[‘song_url‘], row[‘singer_name‘], row[‘song_time‘]])
        self.workBook.save(self.excelName)  # 保存单曲信息到Excel文件
    except Exception as arr:
        print(‘write to excel error‘, arr.args)

四、后语

---

最后还是要庆祝下，毕竟成功把QQ音乐的单曲信息爬取下来了。本次能够成功爬取单曲，Selenium功不可没，这次只是用到了selenium一些简单的功能，后续会更加深入学习Selenium，不仅在爬虫方面还有UI自动化。

后续还需要优化的点：

1.下载的链接比较多，一个一个下载起来比较慢，后面打算用多线程并发下载。

2.下载速度过快，为了避免服务器禁用IP，后面还要对于同一域名访问过于频繁的问题，有个等待机制，每个请求之间有个等待间隔。

3. 解析网页是一个重要的过程，可以采用正则表达式，BeautifulSoup和lxml，目前采用的是BeautifulSoup库， 在效率方面，BeautifulSoup没lxml效率高，后面会尝试采用lxml。