首页 > > 网络编程 > 其它 >

利用python3爬取网易云周杰伦所有专辑，歌曲，评…

2018-06-18 02:36:58来源：未知阅读 ()

　　这篇文章适合于python纯小白，因为本人也是python刚刚入门，里面可能很多语句是冗长的，甚至可能有一些尚未发现的BUG，这个伴随着我们继续学习来慢慢消解吧。接下来我把里面会用到的东西在这里做一个简单总结吧：本文用到了两门解释性编程语言python3 + bash(shell),为什么用shell，我会在后面具体分析。用到的模块requests,re,os,jieba,glob,json,lxml,pyecharts,heapq,collections.看到这么多模块，大家一定很头痛，其实最开始我也没想到会用到这么多。不过随着程序的进行，这些模块自然的就出现在程序里，初学者对每一个模块没必要去特别了解。但是用法需要掌握。话不多说，接下来就进入我们的正题吧。

一.找到需要爬取的内容,分析网页，抓包查看交互内容

　　首先我们先进入到我们需要抓取的内容的地址。http://music.163.com/# 这是网易云音乐的首页，我们的目的是抓取周杰伦的所有歌曲，歌词，已经评论，那我们在搜索处输入周杰伦得到这张图，我们发现这里面只有最多50首歌（很多人分析网易云的歌曲就只选取TOP50），我们想要的是全部，所以这个URL不符合要求，我们继续寻找其他的URL地址。我在这里花了不少时间，最后找到了一个间接的方法，首先抓取周杰伦的全部专辑信息，然后通过专辑信息再去寻找全部歌曲（目前在网易云上我还没发现什么方法可以直接获取全部歌曲名字）。好了确定好了方针，我们第一步抓取所有专辑进入http://music.163.com/#/artist/album?id=6452如下图所示！在这里面我们可以看到周杰伦所有专辑信息点击下一页观察url发现变成了 http://music.163.com/#/artist/album?id=6452&limit=12&offset=12 这样！！！所以有点html基础的人都知道这里的limit=12是每页显示专辑的数量。OK，接下来我们就来获取专辑吧！我们在页面输入http://music.163.com/#/artist/album?id=6452&limit=100&offset=12（改成100 避免多次抓取，一次抓去完），在谷歌的抓包工具（F12)里面查看交互信息发现如下：

是的你没看错，这就是我们想要的信息，那事情就变得简单的，我们没必要用复杂的工具比如（selenium）去加载整个页面，（事实上，如果还没想到抓取歌曲的方法，我估计就得用它了）,我们再看header里面有什么这里面的string我们不用管了，因为它已经在我们的url里面了，我们只需要看request headers 这个就是我们给服务器发送的东西，发送之后，服务器返回给我们的就是network里面的信息。好，接下来我们伪造浏览器发送请求。具体代码如下：

    def GetAlbum(self):
        urls="http://music.163.com/artist/album?id=6452&limit=100&offset=0"
        headers={
        'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'Accept-Encoding':'gzip, deflate, br',
        'Accept-Language':'zh-CN,zh;q=0.9',
        'Connection':'keep-alive',
        'Cookie':'_iuqxldmzr_=32; _ntes_nnid=dc7dbed33626ab3af002944fabe23bc4,1524151830800; _ntes_nuid=dc7dbed33626ab3af002944fabe23bc4; __utmc=94650624; __utmz=94650624.1524151831.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utma=94650624.1505452853.1524151831.1524151831.1524176140.2; WM_TID=RpKJQQ90pzUSYfuSWgFDY6QEK1Gb4Ulg; JSESSIONID-WYYY=ZBmSOShrk4UKH5K%5CVasEPuc0b%2Fq6m5eAE91jWCmD6UpdB2y4vbeazO%2FpQK%5CgiBW0MUDDWfB1EuNaV5c4wIJZ08hYQKDhpsHnDeMAgoz98dt%2B%2BFfhdiiNJw9Y9vRR5S4GU%2FziFp%2BliFX1QTJj%2BbaIGD3YxVzgumklAwJ0uBe%2FcGT6VeQW%3A1524179765762; __utmb=94650624.24.10.1524176140',
        'Host':'music.163.com',
        'Referer':'https://music.163.com/',
        'Upgrade-Insecure-Requests':'1',
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
        }
        html = requests.get(urls,headers=headers)
        html1=etree.HTML(html.text)
        html_data=html1.xpath('//div[@class="u-cover u-cover-alb3"]')[0]
        pattern = re.compile(r'<div class="u-cover u-cover-alb3" title=(.*?)>')
        items = re.findall(pattern, html.text)
        cal=0
        # 首先删除这个文件，要不然每次都是追加
        if(os.path.exists("专辑信息.txt")):
            os.remove("专辑信息.txt")
        #删除文件避免每次都要重复写入
        if (os.path.exists("专辑歌曲信息.txt")):
            os.remove("专辑歌曲信息.txt")
        for i in items:
            cal+=1
            #这里需要注意i是有双引号的，所以需要注意转换下
            p=i.replace('"','')
            #这里在匹配里面使用了字符串，注意下
            pattern1=re.compile(r'<a href="/album\?id=(.*?)" class="tit s-fc0">%s</a>'%(p))
            id1= re.findall(pattern1,html.text)
        #   print("专辑的名字是:%s!!专辑的ID是%s:"%(i,items1))
            with open("专辑信息.txt",'a') as f:
                f.write("专辑的名字是:%s!!专辑的ID是%s \n:"%(i,id1))
                f.close()
                self.GetLyric1(i,id1)
      #  print("总数是%d"%(cal))
        print("获取专辑以及专辑ID成功！！！！！")

这里面用到了xpath来找到对应标签里面数据，然后把数据放在文件里面。代码不重要，思想懂了就行（代码单独执行可行）

执行结果如下

二.抓取歌曲信息。

　　通过上面我们已经抓取到了专辑的信息，接下来我们就通过专辑，来获取歌曲信息

看这幅图，我想你已经懂了，页面组成http://music.163.com/#/album?id=！！！！！！这里填写专辑ID，我们在network里面找到了所有歌曲的信息接下来我们看header同样的道理我们通过伪造方式发送信息，获取歌曲信息！！直接上代码

 def GetLyric1(self,album,id1):
        urls1 = "http://music.163.com/#/album?id="
        urls2 = str(id1)
        urls3= urls1+urls2
        #将不要需要的符号去掉
        urls=urls3.replace("[","").replace("]","").replace("'","").replace("#/","")
        headers={
            'Cookie': '_iuqxldmzr_=32; _ntes_nnid=dc7dbed33626ab3af002944fabe23bc4,1524151830800; _ntes_nuid=dc7dbed33626ab3af002944fabe23bc4; __utmz=94650624.1524151831.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utma=94650624.1505452853.1524151831.1524176140.1524296365.3; __utmc=94650624; WM_TID=RpKJQQ90pzUSYfuSWgFDY6QEK1Gb4Ulg; JSESSIONID-WYYY=7t6F3r9Uzy8uEXHPnVnWTXRP%5CSXg9U3%5CN8V5AROB6BIe%2B4ie5ch%2FPY8fc0WV%2BIA2ya%5CyY5HUBc6Pzh0D5cgpb6fUbRKMzMA%2BmIzzBcxPcEJE5voa%2FHA8H7TWUzvaIt%2FZnA%5CjVghKzoQXNM0bcm%2FBHkGwaOHAadGDnthIqngoYQsNKQQj%3A1524299905306; __utmb=94650624.21.10.1524296365',
            'Host': 'music.163.com',
            'Referer': 'http://music.163.com/',
            'Upgrade-Insecure-Requests': '1',
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
        }
        html = requests.get(urls, headers=headers)
        html1 = etree.HTML(html.text)
       # soup = BeautifulSoup(html1, 'html.parser', from_encoding='utf-8')
       # tags = soup.find_all('li', class_="have-img")
        html_data = html1.xpath('//ul[@class="f-hide"]//a')
        for i in html_data:
            #注意这个用法
            html_data1=i.xpath('string(.)')
            #获取歌曲的id
            html_data2=str(html_data1)
            pattern1=re.compile(r'<li><a href="/song\?id=(\d+?)">%s</a></li>'%(html_data2))
            items = re.findall(pattern1,html.text)
  #          print("歌曲的名称为: %s"%(html_data2))
 #           print("歌曲的id为: %s"%(items))
            with open("专辑歌曲信息.txt", 'a') as f:
                print(len(items))
                if (len(items) > 0):
                    f.write("歌曲的名字是: %s!!歌曲的ID是%s \n" % (html_data2, items))
                    f.close()
                print("获取歌曲 %s 以及歌曲的ID %s写入文件成功"%(html_data2, items))
            #http://music.163.com/#/song?id=185617
               # if(len())
    def GetLyric2(self):
        #首先删除原来的文件，避免重复写入
        for i in glob.glob("*热评*"):
            os.remove(i)
        for i in glob.glob("*歌曲名*"):
            os.remove(i)
        #直接读取所有内容
        file_object=open("专辑歌曲信息.txt",)
        list_of_line=file_object.readlines()
        aaa=1
        namelist = ""
        for i in  list_of_line:
            # 歌曲的名字是: 同一种调调!!歌曲的ID是['186020']
            pattern1 = re.compile(r'歌曲的名字是: (.*?)!!歌曲的ID是')
            pattern2 = re.compile(r'歌曲的ID是\[(.*?)\]')
            items1 = str(re.findall(pattern1, i)).replace("[","").replace("]","").replace("'","")
            items2 = str(re.findall(pattern2, i)).replace("[","").replace("]","").replace('"',"").replace("'","")

            headers = {
                'Request URL': 'http://music.163.com/weapi/song/lyric?csrf_token=',
                'Request Method': 'POST',
                'Status Code': '200 OK',
                'Remote Address': '59.111.160.195:80',
                'Referrer Policy': 'no-referrer-when-downgrade'
            }
      #      http://music.163.com/api/song/lyric?id=186017&lv=1&kv=1&tv=-1
            urls="http://music.163.com/api/song/lyric?"+"id="+str(items2)+'&lv=1&kv=1&tv=-1'
       #     urls = "http://music.163.com/api/song/lyric?id=186018&lv=1&kv=1&tv=-1"
            #print(urls)
            html = requests.get(urls, headers=headers)
            json_obj = html.text
            j = json.loads(json_obj)
            try:
                lrc = j['lrc']['lyric']
                pat = re.compile(r'\[.*\]')
                lrc = re.sub(pat,"",lrc)
                lrc = lrc.strip()
                print(lrc)
                lrc = str(lrc)
                with open("歌曲名-"+items1+".txt", 'w',encoding='utf-8') as f:
                    f.write(lrc)
                aaa+=1
                namelist=namelist + items1 + ".txt"+","
#调用获取评论方法，并且把热评写入文件
                self.GetCmmons(items1,items2)
            except:
                print("歌曲有错误 %s !!"%(items1))
            #读取所有文件，并且把所有的信息输入到一个文件里面去
           # html1 = etree.HTML(html.text)
        print("歌曲一共爬取了%s首 "%(aaa))
        print(namelist)

上面需要注意：xpath来获取需要的信息，利用正则来获取ID（其实有很多方法）

结果如下，

同样的方法！！我们打开一首歌曲一样的道理，我们分析network来获取我们需要的信息歌词，评论！！直接上代码

 def GetCmmons(self,name,id):
        self.name=name
        self.id=id
        #删除原来的文件 避免重复爬取
      #  urls="http://music.163.com/weapi/v1/resource/comments/R_SO_4_415792918?csrf_token="
        urls="http://music.163.com/api/v1/resource/comments/R_SO_4_"+str(id)
        headers={
            'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
            'Accept-Encoding': 'gzip, deflate',
            'Accept-Language': 'zh-CN,zh;q=0.9',
            'Cache-Control': 'max-age=0',
            'Connection': 'keep-alive',
            'Cookie': '_iuqxldmzr_=32; _ntes_nnid=dc7dbed33626ab3af002944fabe23bc4,1524151830800; _ntes_nuid=dc7dbed33626ab3af002944fabe23bc4; __utmz=94650624.1524151831.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); WM_TID=RpKJQQ90pzUSYfuSWgFDY6QEK1Gb4Ulg; JSESSIONID-WYYY=BgqSWBti98RpkHddEBZcxnxMIt4IdbCqXGc0SSxKwvRYlqbXDAApbgN%2FQWQ8vScdXfqw7adi2eFbe30tMZ13mIv9XOAv8bhrQYC6KRajksuYWVvTbv%2BOu5oCypc4ylh2Dk5R4TqHgRjjZgqFbaOF73cJlSck3lxcFot9jDmE9KWnF%2BCk%3A1524380724119; __utma=94650624.1505452853.1524151831.1524323163.1524378924.5; __utmc=94650624; __utmb=94650624.8.10.1524378924',
            'Host': 'music.163.com',
            'Upgrade-Insecure-Requests': '1',
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
        }
        html = requests.get(urls,headers=headers)
        html.encoding= 'utf8'
      #  html_data = html1.xpath('//div[@class="u-cover u-cover-alb3"]')[0]
       # pattern = re.compile(r'<div class="u-cover u-cover-alb3" title=(.*?)>')
        #items = re.findall(pattern, html.text)
        #print(html.text)
        #使用json格式化输出
        json_obj = html.text
        j = json.loads(json_obj)
        i=j['hotComments']
        for uu in  i:
            print
            username=uu["user"]['nickname']
            likedCount1 = str(uu['likedCount'])
            comments=uu['content']
            with open(name + "的热评hotComment" +".txt" , 'a+',encoding='utf8') as f:
                f.write("用户名是 "+username+"\n")
                f.write("用户的评论是 "+comments+"\n")
                f.write("被点赞的次数是  " + str(likedCount1) +"\n")
                f.write("----------华丽的的分割线-------------"+"\n")
                f.close()

上面需要注意的是：利用json获取需要的数据(至少比正则快点)

结果如下:

到这里！！我们已经完成了所有用数据的爬取，数据大体如下

三数据分析，可视化

　　如果数据不利用，就如同一张白纸一样，毫无意义。接下来我们就对数据进行全面的分析

第一步，我们先进行歌词的分析，先把数据合并到一个文件里

 def MergedFile(self):
        aaa=0
        for i in glob.glob("*歌曲名*"):
            file_object = open(i,'r',encoding='UTF-8')
            list_of_line = file_object.readlines()
            for p in list_of_line:
                if  "作词" in p  or "作曲" in p or "混音助理" in p or "混音师" in p or "录音师" in p or "执行制作" in p  or  "编曲" in p or "制作人" in p or "录音工程" in p or "录音室" in p or "混音录音室" in p or "混音工程" in p or "Programmer" in p or p == "\n" or "和声" in p  or "吉他" in p or "录音助理" in p or "陈任佑鼓" in p or "周杰伦" in p:
                    aaa+=1
                    print(p)
                else:
                    with open ("allLyric"+".txt","a",encoding='UTF-8') as f :
                        f.write(p)
                        f.write("\n")
            print(aaa)
          #合并歌曲
        file1 = open('allLyric.txt', 'r', encoding='utf-8')  # 要去掉空行的文件
        file2 = open('allLyric1.txt', 'w', encoding='utf-8')  # 生成没有空行的文件
        try:
            for line in file1.readlines():
                if line == '\n':
                    line = line.strip("\n")
                file2.write(line)
        finally:
            file1.close()
            file2.close()
        print("合并歌词文件完成")

上面需要注意的是：我们合并数据的时候，可以选择性的删除一些无用数据（也就是上面那一大串for,麻瓜式的删除）

结果如下

OK 歌词清洗完成之后，我们对周杰伦歌曲进行情绪化分析，在进行情绪化分析的时候，有很多工具可以选择，我这边选择的是SnowNLP这个三方工具，具体代码如下:

    def EmotionAnalysis(self):
        from snownlp import SnowNLP
        from pyecharts import Bar
        xzhou=[]
        yzhou=[]
        for i in  glob.glob("*歌曲名*"):
            count=0
            allsen=0
            with open(i,'r', encoding='utf-8') as fileHandel:
                fileList = fileHandel.readlines()
                for p in fileList:
                    if  "作词" in p  or "作曲" in p or "鼓" in p  or "混音师" in p or "录音师" in p or "执行制作" in p  or  "编曲" in p or "制作人" in p or "录音工程" in p or "录音室" in p or "混音录音室" in p or "混音工程" in p or "Programmer" in p or p == "\n":
                        pass
                    else:
                        s = SnowNLP(p)
                      #  print(s.sentences[0])
                        s1 = SnowNLP(s.sentences[0])
                        #print(type(s1))
                        count+=1
                        allsen+=s1.sentiments
            i=str(i)
            xzhou1 = i.split("-", 1)[1].split(".",1)[0]
            xzhou.append(xzhou1)
            avg=int(allsen)/count
            yzhou.append(avg)
            #print("%s这首歌的情绪为%s"%(i,avg))
            fileHandel.close()
        bar = Bar("柱状图数据堆叠示例")
        bar.add("周杰伦歌曲情绪可视化", xzhou, yzhou, is_stack=True,xaxis_interval=0)
        bar.render(r"D:\学习\untitled4\allpicture\周杰伦歌曲情绪全部.html")
        #显示最好的前五首歌
        import  heapq
        yzhou1 = heapq.nlargest(10, yzhou)
        temp = map(yzhou.index, heapq.nlargest(10, yzhou))
        temp = list(temp)
        xzhou1 = []
        for i in temp:
            xzhou1.append(xzhou[i])
        # 情绪前十首歌个图
        bar = Bar("周杰伦歌曲情绪较好前十首歌")
        bar.add("周杰伦歌曲情绪可视化", xzhou1, yzhou1, is_stack=True)
        bar.render(r"D:\学习\untitled4\allpicture\周杰伦歌曲最积极情绪top10.html")
        #显示最差的十首歌
        yzhou1 = heapq.nsmallest(10, yzhou)
        temp = map(yzhou.index, heapq.nsmallest(10, yzhou))
        temp = list(temp)
        xzhou1 = []
        for i in temp:
            xzhou1.append(xzhou[i])
       # print(xzhou1)
        #print(yzhou1)
        # 情绪前十首歌个图
        bar = Bar("周杰伦歌曲情绪较差前十首歌")
        bar.add("周杰伦歌曲情绪可视化",xzhou1, yzhou1,xaxis_interval=0,xzhou1_label_textsize=6)
        bar.render(r"D:\学习\untitled4\allpicture\周杰伦歌曲最消极情绪top10.html")
        print(xzhou1)

下面完成数据词频各种分析,这些基于数据source的统计用很多方法，我这边做为小白只能用比较傻瓜一点的，具体代码如下：

  #定义结巴分词的方法以及处理过程
    def splitSentence(self,inputFile, outputFile):
        fin = open(inputFile, 'r', encoding='utf-8')
        fout = open(outputFile, 'w', encoding='utf-8')
        for line in fin:
            line = line.strip()
            line = jieba.analyse.extract_tags(line)
            outstr = " ".join(line)
            fout.write(outstr + '\n')
        fin.close()
        fout.close()
        #下面的程序完成分析前十的数据出现的次数
        f = open("分词过滤后.txt", 'r', encoding='utf-8')
        a = f.read().split()
        b = sorted([(x, a.count(x)) for x in set(a)], key=lambda x: x[1], reverse=True)
        print(sorted([(x, a.count(x)) for x in set(a)], key=lambda x: x[1], reverse=True))

#输出频率最多的前十个字，里面调用splitSentence完成频率出现最多的前十个词的分析
    def LyricAnalysis(self):
        import jieba
        file = 'allLyric1.txt'
        #这个技巧需要注意
        alllyric = str([line.strip() for line in open('allLyric1.txt',encoding="utf-8").readlines()])
#获取全部歌词，在一行里面
        alllyric1=alllyric.replace("'","").replace(" ","").replace("?","").replace(",","").replace('"','').replace("?","").replace(".","").replace("!","").replace(":","")
       # print(alllyric1)
       #在这里用结巴分词来分词过滤并且输出到一个文件里面，这个ting.txt
       #import jieba.analyse 这里必须引入
        jieba.analyse.set_stop_words("ting.txt")
        self.splitSentence('allLyric1.txt', '分词过滤后.txt')
        #下面是词频统计
        import collections
        # 读取文本文件，把所有的汉字拆成一个list
        f = open("分词过滤后.txt", 'r', encoding='utf8')  # 打开文件，并读取要处理的大段文字
        txt1 = f.read()
        txt1 = txt1.replace('\n', '')  # 删掉换行符
        txt1 = txt1.replace(' ', '')  # 删掉换行符
        txt1 = txt1.replace('.', '')  # 删掉逗号
        txt1 = txt1.replace('.', '')  # 删掉句号
        txt1 = txt1.replace('o', '')  # 删掉句号
        mylist = list(txt1)
        mycount = collections.Counter(mylist)
        for key, val in mycount.most_common(10):  # 有序（返回前10个）
            print(key, val)

接下来我们需要进行天气，词云化数据，比如这里的天气我选择了用shell完成统计。-----cat XXXX | grep 秋天 | wc -l 这样一句话就OK 了，没必要再使用python3 物尽其用，方得正果：这些可视化的代码都很类似，就不全部列出来了。放一个示例吧：

from pyecharts import WordCloud

name = [
    "离开", "回忆", "微笑", "爱情", "世界", "想要", "眼泪", "不到", "感觉", "我会", "喜欢", "时间", "Oh", "永远", "oh", "记得", "不用", "真的", "一种",
    "我用", "等待", "慢慢", "故事", "看着", "一点", "笑容", "音乐", "温柔", "画面", "不想", "可爱", "天空", "声音", "身边", "远方", "只能", "忘记", "思念",
    "沉默", "女人", "幸福", "也许", "快乐", "感动", "难过", "跟着", "月光", "一场", "阳光", "表情", "打开", "Music", "安静", "一路", "明白", "放弃", "温暖",
    "心碎", "眼睛", "弦乐", "味道", "从前", "我要", "习惯", "回到", "一遍", "简单", "伤心", "灵魂", "自由", "一口", "生命", "甜蜜", "拥有", "风景", "距离",
    "生活", "美"
]
value = [
    88, 80, 72, 69, 66, 61, 60, 59, 57, 56, 55, 55, 54, 50, 50, 48, 47, 46, 45, 42, 41, 40, 38, 38, 37, 37, 37, 36, 36,
    36, 36, 35, 34, 34, 34, 32, 32, 32, 31, 31, 30, 30, 29, 29, 29, 28, 28, 28, 28, 28, 28, 26, 26, 26, 25, 25, 25, 25,
    25, 24, 24, 24, 24, 24, 24, 24, 24, 23, 23, 23, 23, 23, 22, 22, 22, 22, 22, 22]
wordcloud = WordCloud(width=1300, height=620)
wordcloud.add("", name, value,shape='diamond', word_size_range=[20, 100])
wordcloud.render(r"D:\学习\untitled4\allpicture\歌词词云.html")