Biegral Blog

前言

文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者： 南小小川/南川笔记

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

python免费学习资料以及群交流解答点击即可加入

本教程完全基于Python3版本，主要使用Chrome浏览器调试网页、Scrapy框架爬取数据、MongoDB数据库存储数据，选择这个组合的理由是成熟、稳定、快速、通行，此外可能会涉及Requests+BeautifulSoup解析、Redis数据库、Djiango/Flask框架等，适合已有一定爬虫基础的朋友学习爬取主流网站数据。

工作流程

根据前期查询、分析、总结，得到一条实现本项目的路径：

反爬分析

• UA

访问网易云只需要User-Agent是正常的即可，直接通过F12把自己的浏览器UI存入程序中。

• IP

网易云对于爬取过快的单击将会拉黑IP，根据使用校园网被拉黑的经历来看，网易云封IP的时间还是挺长的，可能接近1天，比新浪微博返回418要残忍很多，所以千万不要用校园网爬取网易云，不然被ban了你连正常的网易云都访问不了了。我自己使用的是芝麻代理，已经写成了DOWNLOAD_MIDDLEWARE，结合MongoDB数据库Scrapy在爬取中会自动切换、重新获得可用的代理IP。网上也有很多免费代理IP的网站，比如西刺等，Github上也有现成开源的动态爬取免费IP的项目，有些有点问题，但因为工程量的问题，我一直没用。

• iFrame

网易云的所有歌曲信息、评论等等，都是嵌在iFrame框架里的，这个要特别特别注意。具体的表现为，当你在程序中使用Requests或者Scrapy访问李荣浩的热门歌曲页面：https://music.163.com/#/artist?id=4292时，你会得不到任何你想要的歌曲信息，但你把这个#号去掉，就可以得到了，即：https://music.163.com/artist?id=4292。但是当你用正常浏览器访问这两个网址时，都会跳转到第一个，因为浏览器对其进行了JavaScript渲染。这点非常重要，具体的直观测试方法，就是在浏览器页面内右键，可以看到有两个选项，一个是查看网页源代码(View Page Source)，一个是查看框架源代码(View Frame Source)，自己点点看就能明显地知道区别了。如果你是用Selenium等自动化程序访问的，不要忘了切换Frame才能得到自己想要的数据。

1. API

网易云的很多数据其实是有API的，只是不去研究不知道，或者说没有公开开放，但你在知乎、简书、Github上能找到一些，本次项目里面的爬取评论部分就是用的知乎里面一位用户给出的VIP的API，帮了我非常大的忙，因为如果不是有这个VIP的API，我们就要走前端JavaScript解密，去破解网易云的Aes和RSA加密过程，这个代价就巨高了，而且爬取速度也绝非直接用API能比的。用代理IP爬取网易云主站信息大概每1000页就要死一个，但是爬评论的API，每十万页死一个差不多了，甚至也许都不会死（我的IP都是短期生存5-25分钟的，所以可能是自己死掉了）。

核心代码

以下是Scrapy中从歌手分类页到歌手专辑页再到专辑内的单曲页爬取链：

def start_requests(self):
    for area in self._seq_area:
        for kind in self._seq_kind:
            for initial in self._seq_cat_initial:
                cat = f'{area}00{kind}'
                artists_url = self.settings['HOST_ARTISTS'].format(cat=cat, initial=initial)
                yield Request(artists_url, callback=self.parse_artists)

def parse_artists(self, response):
    for singer_node in response.css('#m-artist-box li'):
        response.meta['item'] = singer_item = SingerItem()
        singer_item['_id'] = singer_item['singer_id'] = singer_id = \
            int(singer_node.css('a.nm::attr(href)').re_first('\d+'))
        singer_item['crawl_time'] = datetime.now()
        singer_item['singer_name'] = singer_node.css('a.nm::text').get()
        singer_item['singer_desc_url'] = self.get_singer_desc(singer_id)
        singer_item['singer_hot_songs'] = response.urljoin(singer_node.css('a.nm::attr(href)').re_first('\S+'))

        singer_item['cat_name'] = response.css('.z-slt::text').get()
        singer_item['cat_id'] = int(response.css('.z-slt::attr(href)').re_first('\d+'))
        singer_item['cat_url'] = response.urljoin(response.css('.z-slt::attr(href)').re_first('\S+'))

        yield singer_item

        yield Request(self.get_singer_albums(singer_id), callback=self.parse_albums)

def parse_albums(self, response):
    for li in response.css('#m-song-module li'):
        yield response.follow(li.css('a.msk::attr(href)').get(), callback=self.parse_songs)
    next_page = response.css('div.u-page a.znxt::attr(href)').get()
    if next_page:
        yield response.follow(next_page, callback=self.parse_albums)

def parse_songs(self, response):
    album_item = AlbumItem()
    album_item['_id'] = album_item['album_id'] = int(re.search('id=(\d+)', response.url).group(1))
    album_item['album_name'] = response.css('h2::text').get()
    album_item['album_author'] = response.css('a.u-btni::attr(data-res-author)').get()
    album_item['album_author_id'] = int(response.css('p.intr:nth-child(2) a::attr(href)').re_first('\d+'))
    album_item['album_authors'] =[{'name': a.css('::text').get(), 'href': a.css('::attr(href)').get()}
                    for a in response.css('p.intr:nth-child(2) a')]
    album_item['album_time'] = response.css('p.intr:nth-child(3)::text').get()
    album_item['album_url'] = response.url

    album_item['album_img'] = response.css('.cover img::attr(src)').get()
    album_item['album_company'] = response.css('p.intr:nth-child(4)::text').re_first('\w+')
    album_item['album_desc'] = response.xpath('string(//div[@id="album-desc-more"])').get() if \
        response.css('#album-desc-more') else response.xpath('string(.//div[@class="n-albdesc"]/p)').get()

    # 用这个 'span#cnt_comment_count::text' 有些没有评论的会出问题，会变成“评论”
    album_item['album_comments_cnt'] = int(response.css('#comment-box::attr(data-count)').get())

    album_item['album_songs'] = response.css('#song-list-pre-cache li a::text').getall()
    album_item['album_appid'] = int(json.loads(response.css('script[type="application/ld+json"]::text').get())['appid'])
    yield album_item


    for li in response.css('#song-list-pre-cache li'):
        song_item = SongItem()
        song_item['crawl_time'] = datetime.now()
        song_item['song_name'] = li.css('a::text').get()
        song_item['_id'] = song_item['song_id'] = int(li.css('a::attr(href)').re_first('\d+'))
        song_item['song_url'] = response.urljoin(li.css('a::attr(href)').re_first('\S+'))
        yield song_item

    try:
        # 热歌信息在<div id="hotsong-list">节点下，可以通过div#hotsong-list li a 得到歌曲的Id, href, name
        # 但是，可以通过下面的textarea节点得到更为详细的data，这个不能通过正则匹配[]，不然会被一些歌曲名给套住
        # 有些歌手没有热门歌曲，比如: https://music.163.com/#/artist?id=13226806, <textarea>返回的是一个'\n'，无法json解析，因此用.strip()过滤
        # 在解析韩国歌手页面的时候出现问题，比如: https://music.163.com/artist?id=1038327, 有时用BeautifulSoup的html5解析能解决问题
        # 但提升效果有限，此处为了代码简介就不展开了
        json_data = json.loads(response.xpath('.//textarea/text()').get())
        for item in json_data:
            song_item = SongItem()
            song_item.update(item)
            song_item['_id'] = item['id']
            song_item['crawl_time'] = datetime.now()
            yield song_item
    except JSONDecodeError:
        with open('Failed Textarea Collection.txt', 'a', encoding='utf-8') as f:
            f.write(response.url + '\n')

当接近200万首歌的数据爬取完毕之后，我们启动评论爬虫，主要工作就是遍历数据库中还没有更新“评论数”这个字段的歌曲id，然后访问对应的评论api，得到我们想要的评论数据。

核心代码如下：

def start_requests(self):
    cursor = self.coll_song.find({'comments_cnt': {'$exists': False}}, no_cursor_timeout=True)
    for song_item in cursor:
        if self.settings.get('PARSE_ALL_COMMENTS'):
            limit, offset = 100, 0
        elif self.settings.get('PARSE_HOT_COMMENTS'):
            limit, offset = 0, 0
        else:
            limit, offset = 0, 1
        comment_url = self.get_comment_page_url(song_item['song_id'], limit=limit, offset=offset)
        yield Request(comment_url, dont_filter=False, callback=self.parse,
                      meta={'song_item': song_item, 'limit': limit, 'offset': offset})
    cursor.close()

def parse(self, response):
    json_data = json.loads(response.text)

    comment_item = CommentItem()
    comment_item['comment_url'] = response.url.split('?')[0]
    comment_item['crawl_time'] = datetime.now()
    comment_item['isMusician'] = json_data['isMusician']
    comment_item['comments_cnt'] = comments_cnt = json_data['total']
    comment_item['song_name'] = response.meta['song_item']['song_name']
    comment_item['singer_name'] = response.meta['song_item']['singer_name']
    comment_item['song_id'] = song_id = response.meta['song_item']['song_id']

    for comment_info in json_data.get('comments'):
        comment_item.update(comment_info)
        comment_item['_id'] = comment_info['commentId']
        yield comment_item

    for comment_info in json_data.get('hotComments'):
        comment_item.update(comment_info)
        comment_item['_id'] = comment_info['commentId']
        yield comment_item

    if self.settings.get("PARSE_ALL_COMMENTS") and json_data['more']:
        response.meta['offset'] = new_offset = response.meta['offset'] + 10
        yield Request(self.get_comment_page_url(song_id, offset=new_offset),
                      callback=self.parse, dont_filter=False, meta=response.meta)
    else:
        song_item = SongItem()
        song_item['_id'] = response.meta['song_item']['song_id']
        song_item['comments_cnt'] = comments_cnt
        yield song_item

小结

本项目提供了一个爬取网易云音乐的可行路径，即歌手分类 → 歌手 → 歌手的专辑 → 专辑内的单曲 → 单曲的评论，是一个非常广度的路径，如果全程爬完能得到3万歌手、20万专辑、200万首单曲的必要信息，可根据这些信息做歌手、专辑、单曲排序，制作歌单、热点追踪等等，很有意义。