爬虫实践---悦音台mv排行榜与简单反爬虫技术应用

Posted 2020-09-30

由于要抓取的是悦音台mv的排行榜，这个排行榜是实时更新的，如果要求不停地抓取，这将有可能导致悦音台官方采用反爬虫的技术将ip给封掉。所以这里要应用一些反爬虫相关知识。

目标网址：http://vchart.yinyuetai.com/vchart/trends?area=ML

网站结构：

上面红线圈出来的地方都是需要注意的小细节：

首先 排行榜分为，内地、港台、欧美、韩国、日本五个地区
分别将其点开能够观察到url的变化为在最尾部加了一个参数：area=地区参数

很容易的就能知道参数列表：[‘ML‘,‘HT‘,‘US‘,‘JP‘,‘KR‘] 分别对应着内地、香港、欧美、日本、以及韩国。发现这个规律之后，只要通过简单的对url的变化就能多次请求，筛选出想要的信息。

其次 可以发现，有的mv分数是呈现上升趋势，有的mv的分数是成下降趋势，这在网页的代码结构稍有不同。

最后，可以看到 这里mv的排行榜数据是实时更新的，所以爬虫程序要不停的在后台运行才能保证获得的数据是最新的，这样就会引起官方人员的注意，他们的反爬虫技术有可能就会将爬虫的IP封掉。

完整代码：

import requests
from bs4 import BeautifulSoup
import random

def get_html(url):
    try:
        r = requests.get(url,timeout=30)
        r.raise_for_status
        r.encoding = ‘utf-8‘
        return r.text
    except:
        return ‘error‘

def get_agent():
    ‘‘‘
    模拟header的user-agent字段，
    返回一个随机的user-agent字典类型的键值对
    ‘‘‘
    agents = [‘Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;‘,
              ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv,2.0.1) Gecko/20100101 Firefox/4.0.1‘,
              ‘Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11‘,
              ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11‘,
              ‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)‘]
    fakeheader = {}
    fakeheader[‘User-agent‘] = agents[random.randint(0, len(agents))]
    return fakeheader

def get_proxy():
    ‘‘‘
    简单模拟代理池
    返回一个字典类型的键值对，
    ‘‘‘
    proxy = ["http://116.211.143.11:80",
             "http://183.1.86.235:8118",
             "http://183.32.88.244:808",
             "http://121.40.42.35:9999",
             "http://222.94.148.210:808"]
    fakepxs = {}
    fakepxs[‘http‘] = proxy[random.randint(0, len(proxy))]
    return fakepxs

def get_content(url):
    # 先打印一下表头
    if url[-2:] == ‘ML‘:
        print(‘内地排行榜‘)
    elif url[-2:] == ‘HT‘:
        print(‘香港排行榜‘)
    elif url[-2:] == ‘US‘:
        print(‘欧美排行榜‘)
    elif url[-2:] == ‘KR‘:
        print(‘韩国排行榜‘)
    else:
        print(‘日本排行榜‘)

    html = get_html(url)
    soup = BeautifulSoup(html,‘lxml‘)
    li_list = soup.find_all(‘li‘,class_=‘vitem J_li_toggle_date ‘)

    for li in li_list:
        content = {}
        try:
            # 判断分数升降
            if li.find(‘h3‘,class_=‘desc_score‘):
                content[‘分数‘] = li.find(‘h3‘,class_=‘desc_score‘).text
            else:
                content[‘分数‘] = li.find(‘h3‘,class_=‘asc_score‘).text

            content[‘排名‘] = li.find(‘div‘,class_=‘top_num‘).text
            content[‘名字‘] = li.find(‘a‘,class_=‘mvname‘).text
            content[‘发布时间‘] = li.find(‘p‘,class_=‘c9‘).text[5:]
            content[‘歌手‘] = li.find(‘a‘,class_=‘special‘).text
        except:
            return None

        print(content)

def main():
    base_url = ‘http://vchart.yinyuetai.com/vchart/trends?area=‘
    suffix = [‘ML‘,‘HT‘,‘US‘,‘JP‘,‘KR‘]
    for suff in suffix:
        url = base_url + suff
        print()
        get_content(url)

if __name__ == ‘__main__‘:
    main()

输出结果：