爬虫示例-网易云歌单

爬取网易云音乐的歌单。

打开歌单的url: http://music.163.com/#/discov...，而后用lxml.html提取播放数3715。结果代表，咱们什么也没提取到。难道咱们打开了一个假的网页？

动态网页：所谓的动态网页，是指跟静态网页相对的一种网页编程技术。静态网页，随着html代码的生成，页面的内容和显示效果就基本上不会发生变化了——除非你修改页面代码。而动态网页则否则，页面代码虽然没有变，可是显示的内容倒是能够随着时间、环境或者数据库操做的结果而发生改变的。

值得强调的是，不要将动态网页和页面内容是否有动感混为一谈。这里说的动态网页，与网页上的各类动画、滚动字幕等视觉上的动态效果没有直接关系，动态网页也能够是纯文字内容的，也能够是包含各类动画的内容，这些只是网页具体内容的表现形式，不管网页是否具备动态效果，只要是采用了动态网站技术生成的网页均可以称为动态网页。

如今咱们明白了，这是一个动态网页，咱们获得它的时候，歌单还没请求到呢，固然什么都提取不出来！

咱们以前的技术不能执行那些让页面产生各类神奇效果的JavaScript 代码。若是网站的HTML页面没有运行JavaScript，就可能和你在浏览器里看到的样子彻底不一样，由于浏览器能够正确地执行JavaScript。用Python 解决这个问题只有两种途径：直接从JavaScript 代码里采集内容，或者用Python 的第三方库运行JavaScript，直接采集你在浏览器里看到的页面。咱们固然选择后者。今天第一课，不深究原理，先简单粗暴的实现咱们的小目标。

Selenium：是一个强大的网络数据采集工具，其最初是为网站自动化测试而开发的。近几年，它还被普遍用于获取精确的网站快照，由于它们能够直接运行在浏览器上。Selenium 库是一个在WebDriver 上调用的API。WebDriver 有点儿像能够加载网站的浏览器，可是它也能够像BeautifulSoup对象同样用来查找页面元素，与页面上的元素进行交互（发送文本、点击等），以及执行其余动做来运行网络爬虫。安装方式与其余Python第三方库同样

安装: pip3 install Selenium

验证一下:

Selenium 本身不带浏览器，它须要与第三方浏览器结合在一块儿使用。例如，若是你在Firefox 上运行Selenium，能够直接看到一个Firefox 窗口被打开，进入网站，而后执行你在代码中设置的动做。虽然这样能够看得更清楚，但不适用于咱们的爬虫程序，爬一页就打开一页效率过低，因此咱们用一个叫PhantomJS的工具代替真实的浏览器。

PhantomJS：是一个“无头”（headless）浏览器。它会把网站加载到内存并执行页面上的JavaScript，可是它不会向用户展现网页的图形界面。把Selenium和PhantomJS 结合在一块儿，就能够运行一个很是强大的网络爬虫了，能够处理cookie、JavaScript、header，以及任何你须要作的事情。

PhantomJS并非Python的第三方库，不能用pip安装。它是一个完善的浏览器，因此你须要去它的官方网站下载，而后把可执行文件拷贝到Python安装目录的Scripts文件夹, 或者随便一个目录在ＰＡＴＨ中的目录

开始干活！

打开歌单的第一页： http://music.163.com/#/discov...

用Chrome的“开发者工具”F12先分析一下，很容易就看穿了一切。

播放数nb (number broadcast)：29915

封面 msk (mask)：有标题和url

同理，能够找到“下一页”的url，最后一页的url是“javascript:void(0)”。

最后，让咱们用代码完成工做。

from selenium import webdriver

url = "https://music.163.com/#/discover/playlist/?order=hot&cat=%E5%85%A8%E9%83%A8&limit=35&offset=0"

driver = webdriver.PhantomJS()

driver.get(url)  # 加载页面

driver.switch_to.frame("contentFrame")  # 切换到歌单所在的iframe

# 歌单全部项目的包裹元素
data = driver.find_element_by_id('m-pl-container').find_elements_by_tag_name('li')

for d in data:
    nb = d.find_element_by_class_name('nb').text  # 播放数
    msk = d.find_element_by_css_selector("a.msk")
    print(msk.get_attribute('title'), nb, msk.get_attribute('href'))

结果

我不想当锦鲤，我只想我喜欢的人也喜欢我 10万 https://music.163.com/playlis...
威士忌风味·野性浪漫醇香度43% 43918 https://music.163.com/playlis...
柔情/迷离•落日余晖下那抹绚烂的幻影 15547 https://music.163.com/playlis...
单身都市丽人生存手册 20347 https://music.163.com/playlis... avex
动漫歌曲宅急便 Part. 2 7898 https://music.163.com/playlis...
『韩』秋日渐近，唱一曲悲凉 14354 https://music.163.com/playlis...
全球史诗级万评电音!百种风格【主打】 172万 https://music.163.com/playlis...
2018上半年最热新歌TOP50 1143万 https://music.163.com/playlis...
「高质量英文歌」让你单曲循环的英文歌 364万 https://music.163.com/playlis...
「纯音」嘘，个人悲伤才刚刚睡着 138万 https://music.163.com/playlis...
电影中的钢琴曲｜最会讲故事³ 481万 https://music.163.com/playlis...
单循辑｜我想和你共享耳机 1778万 https://music.163.com/playlis...
『欧美』书店书城经常使用流行钢琴曲推荐② 197万 https://music.163.com/playlis...
我最大的遗憾，是你的遗憾与我有关 1085万 https://music.163.com/playlis...
予你情诗百首，余生你是个人全部 1726万 https://music.163.com/playlis...
海盐风味｜浪漫迷幻°新鲜度100% 545万 https://music.163.com/playlis...
最怕rapper说情话 463万 https://music.163.com/playlis...
这世界上情歌那么多，却没有一首属于我 1709万 https://music.163.com/playlis...
这些歌名连起来，是我暗恋你多年的秘密 1751万 https://music.163.com/playlis...
青柠味复古 ✘ 凌步夏傍西海岸的空幻 335万 https://music.163.com/playlis...
「伪治愈系Rap」你价值连城伤口的良药 125万 https://music.163.com/playlis...
失落少年孤独心俱乐部 674万 https://music.163.com/playlis... 蓝莓味气泡水°
137万 https://music.163.com/playlis... 盘点那些欧美流行歌手的不烂大街好听歌曲
474万 https://music.163.com/playlis... 同桌的你，曾是我期待上课的理由 752万
https://music.163.com/playlis...
正常状况下是这样的，若是你想要爬全部的数据，还须要引入翻页机制（即把url里的页码–offset–替换）

因为selenium在不久的未来会放弃对phantomjs的支持， 因此这里也提供一个替代方案，使用chrome的headless模式。使用这个模式你须要下载chromedriver, 并把这个文件所在目录加到PATH， 也能够拷贝到python路径下面

from selenium import webdriver

url = "https://music.163.com/#/discover/playlist/?order=hot&cat=%E5%85%A8%E9%83%A8&limit=35&offset=0"

chromeOptions = webdriver.ChromeOptions()
chromeOptions.add_argument("headless")
driver = webdriver.Chrome(chrome_options=chromeOptions)

driver.get(url)  # 加载页面

driver.switch_to.frame("contentFrame")  # 切换到歌单所在的iframe

# 歌单全部项目的包裹元素
data = driver.find_element_by_id('m-pl-container').find_elements_by_tag_name('li')

for d in data:
    nb = d.find_element_by_class_name('nb').text  # 播放数
    msk = d.find_element_by_css_selector("a.msk")
    print(msk.get_attribute('title'), nb, msk.get_attribute('href'))

python教程 django教程 爬虫教程

最后打个广告, 天气变化快， 你们注意加衣