python爬蟲——爬取酷狗音樂top500(BeautifulSoup使用方法)

阿新 • • 發佈：2019-01-14

酷狗音樂Top500

進入，並按F12開啟開發者工具（本文以火狐瀏覽器為例）
這裡寫圖片描述

我們開始審查元素，在檢視器中觀察網頁原始碼，或者右鍵檢視頁面原始碼，看原始碼中是否有我們想要的資訊。這裡寫圖片描述

我們可以在這裡看到歌單資訊，在ul標籤下正好有22條li個標籤，正好是頁面中的22首歌。因此我們只需獲取這些個li標籤，就能獲取酷狗top資訊。
這裡寫圖片描述
但這只是一頁資訊，我們看看第二頁是否也是如此！！！

但是好像不能點選下一頁啊，需要我們下載客戶端。不要真的下載客戶端檢視，因為我們是程式設計師，哈哈！！！我們嘗試改一下網址資訊。

我們發現這個辦法是真的可以，我們嘗試一下第三頁，第四頁，都能夠開啟。這樣們也找到了所有的網址。可以將500首全部遍歷出來。一共是23頁.
這裡寫圖片描述

我們已經將所有的需求全部分析出來了，接下來就是利用python獲取這些資訊。用到的模組有requests，BeautifulSoup，time。
只需少量的程式碼，便可實現我們的需求。我們先看程式碼

完整程式碼

import time
import requests
from bs4 import BeautifulSoup


headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:58.0) Gecko/20100101 Firefox/58.0'}


def top(url):
    html = requests.get(url, headers=headers)
    soup=BeautifulSoup(html.text,'lxml' 
)
    No = soup.select('.pc_temp_num')
    titles = soup.select('.pc_temp_songname')
    href = soup.select('.pc_temp_songname')
    time = soup.select('.pc_temp_time')
    for No,titles,time,href in zip(No,titles,time,href):
        data={
            'NO':No.get_text().strip(),
            'titles' 
:titles.get_text(),
            'time':time.get_text().strip(),
            'href':href.get('href')        }
        print(data)



if __name__=='__main__':
    urls = {'http://www.kugou.com/yy/rank/home/{}-8888.html'.format(str(i)) for i in range(1,24)}
    for url in urls:
        time.sleep(5)
        top(url)

既然我們用到BeautifulSoup，我在這裡就簡單介紹一下這個模組。

BeautifulSoup

1.簡介

Beautiful Soup提供一些簡單的、python式的函式用來處理導航、搜尋、修改分析樹等功能。它是一個工具箱，通過解析文件為使用者提供需要抓取的資料，因為簡單，所以不需要多少程式碼就可以寫出一個完整的應用程式。Beautiful Soup自動將輸入文件轉換為Unicode編碼，輸出文件轉換為utf-8編碼。你不需要考慮編碼方式，除非文件沒有指定一個編碼方式，這時，Beautiful Soup就不能自動識別編碼方式了。然後，你僅僅需要說明一下原始編碼方式就可以了。
Beautiful Soup已成為和lxml、html6lib一樣出色的python直譯器，為使用者靈活地提供不同的解析策略或強勁的速度。

2.安裝

pip install BeautifulSoup4

或

easy_install BeautifulSoup4

3.建立BeautifulSoup物件
首先應該匯入BeautifulSoup類庫 from bs4 import BeautifulSoup
下面開始建立對像，在開始之前為了方便演示，先建立一個html文字，如下：

html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""

建立物件：soup=BeautifulSoup(html,’lxml’),這裡的lxml是解析的類庫，目前來說個人覺得最好的解析器了，一直在用這個，安裝方法：pip install lxml

Tag

Tag就是html中的一個標籤，用BeautifulSoup就能解析出來Tag的具體內容，具體的格式為soup.name,其中name是html下的標籤，具體例項如下：
print (soup.title) 輸出title標籤下的內容，包括此標籤，這個將會輸出
<title>The Dormouse's story</title>

注意：
這裡的格式只能獲取這些標籤的第一個，後面會講到獲取多個標籤的方法。其中對於Tag有兩個重要的屬性name和attrs,分別表示名字和屬性,介紹如下：
• name:對於Tag，它的name就是其本身，如soup.p.name就是p
• attrs是一個字典型別的，對應的是屬性-值，如print (soup.p.attrs),輸出的就是{‘class’: [‘title’], ‘name’: ‘dromouse’},當然你也可以得到具體的值，如
print (soup.p.attrs[‘class’]),輸出的就是[title]是一個列表的型別，因為一個屬性可能對應多個值,當然你也可以通過get方法得到屬性的，如：
print (soup.p.get(‘class’))。還可以直接使用print (soup.p[‘class’])

get

get方法用於得到標籤下的屬性值，注意這是一個重要的方法，在許多場合都能用到，比如你要得到<img src=”#”>標籤下的影象url,那麼就可以用soup.img.get(‘src’),具體解析如下：
print (soup.p.get("class")) 得到第一個p標籤下的src屬性

string

得到標籤下的文字內容，只有在此標籤下沒有子標籤，或者只有一個子標籤的情況下才能返回其中的內容，否則返回的是None具體例項如下：
print (soup.p.string) #在上面的一段文字中p標籤沒有子標籤，因此能夠正確返回文字的內容
print (soup.html.string) #這裡得到的就是None,因為這裡的html中有很多的子標籤

get_text()
可以獲得一個標籤中的所有文字內容，包括子孫節點的內容，這是最常用的方法

搜尋文件樹

find_all( name , attrs , recursive , text , **kwargs )

find_all是用於搜尋節點中所有符合過濾條件的節點

name引數：是Tag的名字，如p,div,title …..

soup.find_all("p") 查詢所有的p標籤，返回的是[<b>The Dormouse's story</b>]，可以通過遍歷獲取每一個節點，如下：

ps=soup.find_all("p")
for p in ps:
    print p.get('class')

得到p標籤下的class屬性
傳入正則表示式：soup.find_all(re.compile(r’^b’)查詢以b開頭的所有標籤，這裡的body和b標籤都會被查到
傳入類列表：如果傳入列表引數,BeautifulSoup會將與列表中任一元素匹配的內容返回.下面程式碼找到文件中所有<a>標籤和<b>標籤

soup.find_all(["a", "b"])

KeyWords引數，就是傳入屬性和對應的屬性值，或者一些其他的表示式

soup.find_all(id='link2'),這個將會搜尋找到所有的id屬性為link2的標籤。傳入正則表示式soup.find_all(href=re.compile("elsie"))，這個將會查詢所有href屬性滿足正則表示式的標籤
傳入多個值：soup.find_all(id='link2',class_='title') ,這個將會查詢到同時滿足這兩個屬性的標籤，這裡的class必須用class_傳入引數，因為class是python中的關鍵詞
有些屬性不能通過以上方法直接搜尋，比如html5中的data-*屬性，不過可以通過attrs引數指定一個字典引數來搜尋包含特殊屬性的標籤，如下：

# [<div data-foo="value">foo!</div>]

data_soup.find_all(attrs={"data-foo": "value"}) #注意這裡的atts不僅能夠搜尋特殊屬性，亦可以搜尋普通屬性
soup.find_all("p",attrs={'class':'title','id':'value'})
相當與soup.find_all('p',class_='title',id='value')

text引數：通過 text 引數可以搜搜文件中的字串內容.與 name 引數的可選值一樣, text 引數接受字串 , 正則表示式 , 列表, True

soup.find_all(text="Elsie")

[u'Elsie']

soup.find_all(text=["Tillie", "Elsie", "Lacie"])

[u'Elsie', u'Lacie', u'Tillie']

soup.find_all(text=re.compile("Dormouse"))

[u"The Dormouse's story", u"The Dormouse's story"]

limit引數：find_all() 方法返回全部的搜尋結構,如果文件樹很大那麼搜尋會很慢.如果我們不需要全部結果,可以使用 limit引數限制返回結果的數量.效果與SQL中的limit關鍵字類似,當搜尋到的結果數量達到 limit 的限制時,就停止搜尋返回結果.

文件樹中有3個tag符合搜尋條件,但結果只返回了2個,因為我們限制了返回數量,程式碼如下：

soup.find_all("a", limit=2)

 [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
  <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

recursive 引數:呼叫tag的 find_all()方法時,BeautifulSoup會檢索當前tag的所有子孫節點,如果只想搜尋tag的直接子節點,可以使用引數recursive=False
find( name , attrs , recursive , text , **kwargs )
它與 find_all() 方法唯一的區別是 find_all() 方法的返回結果是值包含一個元素的列表,而 find() 方法直接返回結果,就是直接返回第一匹配到的元素，不是列表，不用遍歷，如soup.find("p").get("class")

通過標籤名查詢print (soup.select('title'))

[<title>The Dormouse's story</title>]

print (soup.select('a'))

[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

通過類名查詢print (soup.select('.sister'))

[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

通過id名查詢print (soup.select('#link1'))

[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

組合查詢

學過 css 的都知道 css 選擇器，如 p #link1 是查詢 p 標籤下的 id 屬性為 link1 的標籤
print (soup.select('p #link1')) #查詢p標籤中內容為id屬性為link1的標籤

[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

print (soup.select("head > title")) #直接查詢子標籤

[<title>The Dormouse's story</title>]

屬性查詢

查詢時還可以加入屬性元素，屬性需要用中括號括起來，注意屬性和標籤屬於同一節點，所以中間不能加空格，否則會無法匹配到。

print (soup.select('a[class="sister"]'))

[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

print (soup.select('a[href="http://example.com/elsie"]'))

[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

同樣，屬性仍然可以與上述查詢方式組合，不在同一節點的空格隔開，同一節點的不加空格,程式碼如下：

print (soup.select('p a[href="http://example.com/elsie"]'))

[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

以上的 select 方法返回的結果都是列表形式，可以遍歷形式輸出，然後用 get_text() 方法來獲取它的內容

soup = BeautifulSoup(html, 'lxml')
print (type(soup.select('title')))
print (soup.select('title')[0].get_text())

for title in soup.select('title'):
    print (title.get_text())

以上就是BeautifulSoup的一些使用方法，看完BeautifulSoup的使用方法，我們就明白函式def top(url):中的用法了。在這個函式中，還有一個zip(No,titles,time,href)，介紹一下
zip（）
zip() 函式用於將可迭代的物件作為引數，將物件中對應的元素打包成一個個元組，然後返回由這些元組組成的列表。
如果各個迭代器的元素個數不一致，則返回列表長度與最短的物件相同，利用 * 號操作符，可以將元組解壓為列表。
這裡寫圖片描述

strip（）
Python strip() 方法用於移除字串頭尾指定的字元（預設為空格或換行符）或字元序列。
注意：該方法只能刪除開頭或是結尾的字元，不能刪除中間部分的字元。

執行結果:

這裡寫圖片描述

python爬蟲——爬取酷狗音樂top500(BeautifulSoup使用方法)

酷狗音樂Top500

完整程式碼

執行結果:

python爬蟲——爬取酷狗音樂top500(BeautifulSoup使用方法)

爬取酷狗音樂Top500

Java爬蟲系列之實戰：爬取酷狗音樂網 TOP500 的歌曲(附原始碼)

python爬取酷狗音樂排行榜

java 爬蟲爬取酷狗歌手資料

筆記——用Requests庫和BeautifulSoup庫爬取酷狗音樂資料

爬取酷狗音樂華語新歌榜前100

[Python爬蟲]爬蟲例項:爬取酷狗TOP500的資料

爬蟲程式2-爬取酷狗top500

爬蟲入門，爬取酷狗歌單top500，簡單爬蟲案例

【爬蟲入門5】爬取酷狗TOP500

scrapy爬蟲和Django後臺結合（爬取酷我音樂）

Python爬取酷狗TOP100

[python爬蟲]--爬取豆瓣音樂topX

Python爬蟲-爬取糗事百科段子

python爬蟲爬取頁面源碼在本頁面展示

python 爬蟲爬取證券之星網站

python爬蟲爬取海量病毒文件

用Python爬蟲爬取廣州大學教務系統的成績（內網訪問）

python爬蟲——爬取古詩詞

python爬蟲——爬取酷狗音樂top500(BeautifulSoup使用方法)

酷狗音樂Top500

完整程式碼

執行結果:

相關推薦