内容简介:初因是给宝宝制作拼音卡点读包时,要下载卖家提供给的MP3,大概有2百多个。作为一个会码代码的非专业人士,怎么可能取一个一个下载?所以就决定用python 的 scrapy 框架写个爬虫,去下载这些MP3。一开始以为简单,直到完成下载,竟然花了我一下午的时间。最大的难题就是页面的数据是通过javascript 脚本动态渲染的。百度上大部分方法都是通过splash 做中转实现的方法,而我只是想简单的写个代码实现而已,看splash还要挂docker,巴啦巴啦一大堆的操作,顿时就心塞了。通过百度和自己实践,终于找
前言
初因是给宝宝制作拼音卡点读包时,要下载卖家提供给的MP3,大概有2百多个。作为一个会码代码的非专业人士,怎么可能取一个一个下载?所以就决定用 python 的 scrapy 框架写个爬虫,去下载这些MP3。一开始以为简单,直到完成下载,竟然花了我一下午的时间。最大的难题就是页面的数据是通过javascript 脚本动态渲染的。百度上大部分方法都是通过splash 做中转实现的方法,而我只是想简单的写个代码实现而已,看splash还要挂docker,巴啦巴啦一大堆的操作,顿时就心塞了。通过百度和自己实践,终于找到了一个最简单的方法解决了问题,特此记录下来,同大家分享一下。
页面分析
先开始分析目标html
首页
韵母列表页
拼音 e MP3 页
看着简单吧,可一爬取,问题立马就出现了,curl下静态页看看。
curl -s https://biz.cli.im/test/CI525711?stime=2 >111.html
首页竟是这样的,页面的列表数据,是通过javascript 动态渲染的。
是个json 数据,再格式化后分析下,页面link 都在data 这个json数据里了。
代码实现
最基础的response.xpath 方式是不能用了,我的思路是把scripts 获取出来,然后用获取soncode_link 的值。
经过研究决定用 BeautifulSoup + js2xml
class JingboSpider(scrapy.Spider): name = 'jingbo' allowed_domains = ['biz.cli.im'] all_urls= "https://biz.cli.im" start_urls = ['test/CI525711?stime=2'] def start_requests(self): #自定义headers for url in self.start_urls: yield scrapy.Request(self.all_urls+"/"+url, headers={"User-Agent": USER_AGENT}) def parse(self, response): resp = response.text # 用lxml作为解析器 ,解析返回数据 soup = BeautifulSoup(resp,'lxml') # 获取所有script 标签数据,并遍历查找 scripts = soup.find_all('script') for script in scripts: if type(script.string) is type(None): continue if script.string.find("loadtemp();") > 0: src=script break title="title" link="soncode_link" # 将js 数据转化为 xml 标签树格式 src_text = js2xml.parse(src.string, encoding='utf-8',debug=False) src_tree = js2xml.pretty_print(src_text) # print(src_tree) selector = etree.HTML(src_tree) links = selector.xpath("//property[@name = '"+link+"']/string/text()") playurl = selector.xpath("//property[@name = 'play_url']/string/text()") titles = selector.xpath("//property[@name = '"+title+"']/string/text()") #剩下就是循环获取页面,下载MP3文件了。
scrapy 环境安装
wget https://www.lfd.uci.edu/~gohlke/pythonlibs/Twisted‑18.9.0‑cp37‑cp37m‑win_amd64.whl
wget https://www.lfd.uci.edu/~gohlke/pythonlibs/beautifulsoup4‑4.7.1‑py3‑none‑any.whl
pip install Twisted‑18.9.0‑cp37‑cp37m‑win_amd64.whl
pip install pypiwin32 js2xml urllib2 Scrapy
创建项目
scrapy startproject pinyin
创建 任务
scrapy genspider jingbo https://biz.cli.im/test/CI525711?stime=2
开始爬取
scrapy crawl jingbo
最后战果
参考文档
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。