欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识！
您现在的位置是： 首页  >  IT编程

网易云歌单信息爬取及数据分析（python爬虫）

程序员文章站 2023-10-27 09:43:40
网易云歌单信息爬取及数据分析（1）爬虫部分爬虫思路：网页分为两个部分，歌单广场和歌单详情页。总体思路是先从歌单广场获取所有的URL然后去详情页进行解析。最后的数据大概这个样子：歌单广场：在广场中需要实现获取所有歌单详情页的URL链接。研究URL不难发现这样的规律，改变cat可以换歌单的大分类（华语，流行，全部等），limit是每页显示35个歌单，这里是第二页所以offset是35*2=70。那么只需要采用for循环就可以。右键打开检查我们可以发现关于歌单详情页URL就在a标签下面herf，...

爬虫思路：

网页分为两个部分，歌单广场和歌单详情页。总体思路是先从歌单广场获取所有的URL然后去详情页进行解析。
最后的数据大概这个样子：
网易云歌单信息爬取及数据分析（python爬虫）

歌单广场：

在广场中需要实现获取所有歌单详情页的URL链接。网易云歌单信息爬取及数据分析（python爬虫）
研究URL不难发现这样的规律，改变cat可以换歌单的大分类（华语，流行，全部等），limit是每页显示35个歌单，这里是第二页所以offset是35*2=70。那么只需要采用for循环就可以。
网易云歌单信息爬取及数据分析（python爬虫）
右键打开检查我们可以发现关于歌单详情页URL就在a标签下面herf，之后beautifulsoup就可以获取，查看一下具体歌单详情页的URL确实是这样，只需要做一下字符串的拼接就可以了。
网易云歌单信息爬取及数据分析（python爬虫）
下面是代码：

import requests as rq
from bs4 import BeautifulSoup
import pandas as pd 
import numpy as np
import time
import concurrent.futures 
from multiprocessing.dummy import Pool as pool
##后面所有的代码都是调的这些个库，我习惯写pd np因为懒。。。
list1=[]
headers = {
    'Referer': 'http://music.163.com/',
    'Host': 'music.163.com',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8'
    }

def getHTMLText(url,headers): #通用的获取网站内容的框架
    try:
        r = rq.get(url,headers=headers)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return "网络解析错误"


def get_url(cat):#获取首页该分类下面的歌单url，形成url_list
    depth=38
    start_url='https://music.163.com/discover/playlist/?order=hot&cat='+cat
    for i in range(depth):
        try:
            url=start_url+'&limit=35'+'&offset='+str(35*(i+1))
            html=getHTMLText(url,headers)
            parse_main(html)
        except:
            print('失败')
            continue


def parse_main(html):#解析每个广场页，bs4弄出来歌单名，歌单URL
    soup=BeautifulSoup(html,'html.parser')
    c=soup.find_all('li')
    for unit in c:
        try:
            name_url=unit.find('a',{'class':"tit f-thide s-fc0"})#m这里有URL，名字的信息
            number=eval(unit.find('span',{'class':'nb'}).text.replace('万','0000'))#这里获取的是播放量的信息,用于初步筛选
            list1=[name_url['title'].replace(u'\xa0', u' '),number,name_url['href']]
            url_list.append(list1)
        except:
            continue

弄出来list1大概这个样子：
[歌单名，播放次数，URL]
之后按照每个URL进入相应的详情页解析就可以了。

歌单详情页：

需要获取具体信息：
网易云歌单信息爬取及数据分析（python爬虫）
这里渴望拿到的是所属标签，播放次数，转发次数，收藏次数，评论量，歌单标题和歌单长度。他们的解析途径都差不多，都是beautifulsoup。我们可以看一个：
网易云歌单信息爬取及数据分析（python爬虫）
不难看到总共有两个属性，都在div标签下的a标签下的i，我们根据特征找到左右class为u-tag的标签然后弄出来它的text就行了。

tags=soup.find_all('a',{'class':'u-tag'})
##中间有省略
tag1=tags[0].text.replace(u'\xa0', u' ')

下面是具体代码：

finallist=[]
headers1={
    'Referer': 'http://music.163.com/',
    'Host': 'music.163.com',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9'
    }
def parse_single(listid):#进入歌单内部解析，获取播放量，收藏量，标签等信息
    global count
    count+=1  
    singleurl='https://music.163.com'+listid
    singletext=getHTMLText(singleurl,headers=headers1)
    soup=BeautifulSoup(singletext,'html.parser')
    play_count=eval(soup.find('strong',{'class':'s-fc6'}).text)
    fav=eval(soup.find('a',{'class':'u-btni u-btni-fav'}).i.text.strip('(').strip(')'))
    share=eval(soup.find('a',{'class':'u-btni u-btni-share'}).i.text.strip('(').strip(')'))
    comment=eval(soup.find('a',{'data-res-action':'comment'}).i.span.text)
    length=eval(soup.find('span',{'id':'playlist-track-count'}).text)
    date=soup.find('span',{'class':'time s-fc4'}).text[:10]
    name=soup.find('h2',{"class":'f-ff2 f-brk'}).text.replace(u'\xa0', u' ')
    try:        
        tags=soup.find_all('a',{'class':'u-tag'})
        p=len(tags)
        if p==3:
            tag1=tags[0].text.replace(u'\xa0', u' ')
            tag2=tags[1].text.replace(u'\xa0', u' ')
            tag3=tags[2].text.replace(u'\xa0', u' ')
        elif p==2:
            tag1=tags[0].text.replace(u'\xa0', u' ')
            tag2=tags[1].text.replace(u'\xa0', u' ')
            tag3="nan"
        else :
            tag1=tags[0].text.replace(u'\xa0', u' ')
            tag2="nan"
            tag3="nan"
        list1=[name,date,play_count,fav,share,comment,length,tag1,tag2,tag3]
        finallist.append(list1)
        print('解析第{}个歌单成功'.format(count))
    except:
        tag1='nan'
        tag2='nan'
        tag3='nan'
        list1=[name,date,play_count,fav,share,comment,length,tag1,tag2,tag3]
        finallist.append(list1)
        print('解析第{}个歌单成功'.format(count))

整合

最后是我的main函数和多线程的使用当然这里你弄个列表个main函数传参也可以。

def main(type):
    get_url(type)
    print("歌单列表获取完成")
    print(url_list)


main('轻音乐')
#这里需要自己改动标签（比如改为流行，华语等，下面存储同样改变）
a=pd.DataFrame(url_list)
b=list(a[2])
with concurrent.futures.ThreadPoolExecutor() as executor:
        executor.map(parse_single,b)
#多线程  
print(finallist)
a=pd.DataFrame(finallist)
b=pd.DataFrame(url_list)
title_list=['名称','创建日期','播放次数','收藏量','转发量','评论数','歌单长度','tag1','tag2','tag3']
c=pd.Series(title_list)
a.columns=c
a.to_excel(r'C:\Users\Leo\Desktop\轻音乐.xlsx')
#数据输出到Excel

特别注意和解释

（1）headers很重要，并且广场和详情页的headers还不太一样，这个我捣鼓了好长时间，尽量还是都加相应页的headers。
（2）听从大佬的建议采用了多线程，用之前三秒钟爬出来一个，用之后不到一秒一个，很舒适。感觉这个操作计算和io都很密集，但是我没想到怎么同时使用多线程和多进程。（不明白的小伙伴可以看我的另外一个多线程多进程的博客）

-----后续数据分析请见下一篇-----

–本人准大二小白，欢迎dalao指教–

最后附上全部代码：

import requests as rq
from bs4 import BeautifulSoup
import pandas as pd 
import numpy as np
import time
import concurrent.futures 
from multiprocessing.dummy import Pool as pool

limit=10000#热门歌单播放量筛选下限
headers = {
    'Referer': 'http://music.163.com/',
    'Host': 'music.163.com',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8'
    }
headers1={
    'Referer': 'http://music.163.com/',
    'Host': 'music.163.com',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9'
    }
finallist=[]
url_list=[]



def getHTMLText(url,headers): #通用的获取网站内容的框架
    try:
        r = rq.get(url,headers=headers)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return "网络解析错误"


def get_url(cat):#获取首页该分类下面的歌单url，形成url_list
    depth=38
    start_url='https://music.163.com/discover/playlist/?order=hot&cat='+cat
    for i in range(depth):
        try:
            url=start_url+'&limit=35'+'&offset='+str(35*(i+1))
            html=getHTMLText(url,headers)
            parse_main(html)
        except:
            print('失败')
            continue


def parse_main(html):#解析单个url
    soup=BeautifulSoup(html,'html.parser')
    c=soup.find_all('li')
    for unit in c:
        try:
            name_url=unit.find('a',{'class':"tit f-thide s-fc0"})#m这里有URL，名字的信息
            number=eval(unit.find('span',{'class':'nb'}).text.replace('万','0000'))#这里获取的是播放量的信息,用于初步筛选
            list1=[name_url['title'].replace(u'\xa0', u' '),number,name_url['href']]
            url_list.append(list1)
        except:
            continue

def parse_single(listid):#进入歌单内部解析，获取播放量，收藏量，标签等信息
    global count
    count+=1  
    singleurl='https://music.163.com'+listid
    singletext=getHTMLText(singleurl,headers=headers1)
    soup=BeautifulSoup(singletext,'html.parser')
    play_count=eval(soup.find('strong',{'class':'s-fc6'}).text)
    fav=eval(soup.find('a',{'class':'u-btni u-btni-fav'}).i.text.strip('(').strip(')'))
    share=eval(soup.find('a',{'class':'u-btni u-btni-share'}).i.text.strip('(').strip(')'))
    comment=eval(soup.find('a',{'data-res-action':'comment'}).i.span.text)
    length=eval(soup.find('span',{'id':'playlist-track-count'}).text)
    date=soup.find('span',{'class':'time s-fc4'}).text[:10]
    name=soup.find('h2',{"class":'f-ff2 f-brk'}).text.replace(u'\xa0', u' ')
    try:        
        tags=soup.find_all('a',{'class':'u-tag'})
        p=len(tags)
        if p==3:
            tag1=tags[0].text.replace(u'\xa0', u' ')
            tag2=tags[1].text.replace(u'\xa0', u' ')
            tag3=tags[2].text.replace(u'\xa0', u' ')
        elif p==2:
            tag1=tags[0].text.replace(u'\xa0', u' ')
            tag2=tags[1].text.replace(u'\xa0', u' ')
            tag3="nan"
        else :
            tag1=tags[0].text.replace(u'\xa0', u' ')
            tag2="nan"
            tag3="nan"
        list1=[name,date,play_count,fav,share,comment,length,tag1,tag2,tag3]
        finallist.append(list1)
        print('解析第{}个歌单成功'.format(count))
    except:
        tag1='nan'
        tag2='nan'
        tag3='nan'
        list1=[name,date,play_count,fav,share,comment,length,tag1,tag2,tag3]
        finallist.append(list1)
        print('解析第{}个歌单成功'.format(count))
    
        

def main(type):
    get_url(type)
    print("歌单列表获取完成")
    print(url_list)


main('轻音乐')
#这里需要自己改动标签（比如改为流行，华语等，下面存储同样改变）
a=pd.DataFrame(url_list)
b=list(a[2])
with concurrent.futures.ThreadPoolExecutor() as executor:
        executor.map(parse_single,b)
#多线程  
print(finallist)
a=pd.DataFrame(finallist)
b=pd.DataFrame(url_list)
title_list=['名称','创建日期','播放次数','收藏量','转发量','评论数','歌单长度','tag1','tag2','tag3']
c=pd.Series(title_list)
a.columns=c
a.to_excel(r'C:\Users\Leo\Desktop\轻音乐.xlsx')
#数据输出到Excel

本文地址：https://blog.csdn.net/i_csdn_water/article/details/107076440

上一篇： DBA 在Linux下安装Oracle Database11g数据库图文教程

下一篇： 通用分页存储过程，源码共享，大家共同完善

推荐阅读