python 分析Google音乐下载地址（一）

Google音乐作的不错，不过可能因为家里网络的的缘由，常常听着听着就不动了，就想着下到本地听，不知道他怎么作的，在Internet临时文件夹里看不到音乐的临时文件，从网上只找到一个下载的工具是用PYTHON作的，不过不合个人要求，因而决定本身写一个。

 我比较喜欢听Google整理的专辑，因此就从这里开始了，好比这个页面（http://www.google.cn/music/topiclistingq=top100_north_south_line&cat=song）查看他的源码，发现音乐下载页面的地址是下面红字的部分（<a href="javascript:void(0)" title="下载" oncontextmenu="return false;"onclick="window.open(&quot;/music/url?q\x3dhttp%3A%2F%2Fg.top100.cn%2F12174704%2Fhtml%2Fdownload.html%3Fid%3DS518edb7fd08fbd08\x26resnum\x3d50\x26ct\x3ddl\x26cad\x3dtopic\x26cd\x3d1\x26ei\x3dQrKlSoj5OKewsgKB9PSgAQ&quot;,&#39;&#39;, &quot;resizable\x3d0, status\x3d0, width\x3d750, height\x3d360&quot;);return false;">），因此须要把这一部分提取出来就能够了，天然就想到了用正则表达式，之前没用过，现学现用吧, 看了网上一个30分钟的教程，写了一个正则表达式“(?<=下载.*\/music\/url\?q\\x3d).*(?=\\x26resnum)” ,放到测试工具里能成，可是那个教程讲的是C#的正则表达式，当时机器上没安.net，只能用PYTHON，不过python好像不支持向前预匹配，这个表达式不能用，从网上找了好长时间也没有找到解决的办法，只能用比较的笨的办法了。

  个人思路是这样的，先把‘下载" oncontextmenu="return false;" onclick="window.open(&quot;/music/url?q\x3dhttp%3A%2F%2Fg.top100.cn%2F12174704%2Fhtml%2Fdownload.html%3Fid%3DS518edb7fd08fbd08’这一部分用正则表达式匹配出来，而后再把正确的地址“http%3A%2F%2Fg.top100.cn%2F12174704%2Fhtml%2Fdownload.html%3Fid%3DS518edb7fd08fbd08’”匹配出来，可是匹配的时候又出现了问题，最上面的蓝色部分，我去不掉（python我也不会，也是现学现用），最后匹配出来的是“下载" oncontextmenu="return false;" onclick="window.open(&quot;/music/url?q\x3dhttp%3A%2F%2Fg.top100.cn%2F12174704%2Fhtml%2Fdownload.html%3Fid%3DS518edb7fd08fbd08\x26resnum”好在蓝色部分固定长度，我用[ ：-10]把它截去了，最后用正则“http.*”把正确的地址匹配出来。思路弄清楚了就开始写代码，写起来没有想像得那么简单，因为对python一点也不懂，出现了几个不太好弄的问题，开始我用html=urllib.urlopen(“http://www.google.cn/music/topiclisting?q=top100_north_south_line&cat=song”).read()把网页源码读出来,直接匹配html结果一个也出不来，我也不知道什么缘由，能够是行太多（我只作了单选的匹配），因而我又把html写到了文件里再一行一行的处理，不过读文件的时候又出来了中文的问题，须要转换编码，从网上找了很多代码没有解决，最后终于找到一个函数，呵呵

def mdcode( str ):

    for c in ( 'utf-8','gbk', 'gb2312'):   

        try:

            return str.decode(c).encode( 'gbk' )

        except:

            pass

    return 'unknown'

         html的源码好像不仅有一种编码，转的时候老是转了一部分就报错，走不下去了，用了这个函数就解决了，这样得出来的地址是“http%3A%2F%2Fg.top100.cn%2F12174704%2Fhtml%2Fdownload.html%3Fid%3DS518edb7fd08fbd08”还不能用，须要url编码转换，用urllib.unquote()就好了，最后得出来的地址是

http://g.top100.cn/12174704/html/download.html?id=S518edb7fd08fbd08

固然这个地址不是音乐的下载地址，只是下载页面的地址，还得分析那个页面才能获得真正的下载的地址，当我用urllib.urlopen().read()下载这个地址的时候，下到的不是真正下载页面的源码，但是把这个地址放到浏览器里就成下载页面，可能中间Google作的别的处理吧,这个今天尚未解决，留到下一篇文章里面，下面是如今的所有的代码，刚刚开始学python，写的很差，还但愿你们看完了给出意见，谢谢。若是您知道怎样一步用正则表达式把地址匹配出来，还但愿您能在下面留言，我想了几天也没弄出来。您能够给我发邮件mistral1986@gmail.com。

 

# coding=utf-8 import urllib import re import sys def mdcode( str ):         for c in ( 'utf-8','gbk', 'gb2312'):                         try:                         return str.decode(c).encode( 'gbk' )                 except:                         pass             return 'unknown'      url = 'http://www.google.cn/music/topiclisting?q=top100_north_south_line&cat=song'     filename='c:\\tmp\\url.txt' wname='c:\\tmp\\out.txt' regx='下载.*window.*http.*\\\\x26resnum'#\x26resnum很奇怪，明明看到的是一个‘\’但是匹配不出来，好像是有两个‘\\’ reg='http.*' list =[] result=[] html=urllib.urlopen(url).read(); #下载网页 file=open(filename,'w') file.write(html) file.close() file=open(filename,'r') lines=file.readlines() reobj=re.compile(regx) reo=re.compile(reg) for line in lines:   for match in reobj.finditer(line):     list.append(urllib.unquote(mdcode(match.group())))  #匹配地址，并转码 for s in list:   result.append(s[:-10]) #截去\x26resnum部分      list=[] for r in result:   for match in reo.finditer(r):     list.append(match.group())    #匹配最后地址      file=open(wname,'w') for r in list:   file.write(r+"\n") file.close()