運行環境

我的運行環境如下：

系統版本

Windows10。

Python版本

Python3.5，推薦使用Anaconda 這個科學計算版本，主要是因為它自帶一個包管理工具，可以解決有些包安裝錯誤的問題。去Anaconda官網，選擇Python3.5版本，然后下載安裝。

IDE

我使用的是PyCharm，是專門為Python開發的IDE。這是JetBrians的產品

實戰

上面提到過，網易云音樂的網頁跟普通的網頁相比主要有兩點不同：

網頁是 js 動態加載的

使用了iframe框架

所以，

首先，網頁請求不能使用requests庫，需要使用Selenium + PhatomJS。

其次，使用Selenium + PhatomJS后，還需要針對 iframe 做特定處理。

廢話不多說，看實際操作步驟：

廢話不多說，看實際操作步驟：
首先打開網頁 http://music.163.com

在右上角的搜索框中輸入“The Beatles”，然后會有一個下拉選項，選擇歌手 The Beatles （紅框中的內容）。

然后看到如下頁面，選擇紅框中的“所有專輯”，點擊。

這樣就會看見所有的專輯列表，以及下方的翻頁按鈕。

我們需要的就是所有專輯的圖片、專輯名和專輯出版時間。看到這就可以構想一下爬蟲的爬取邏輯了。定位到該頁面，然后獲取頁碼，然后挨個請求頁面來爬取頁面中的內容。

點擊一下翻頁按鈕看看url 有沒有什么規律。

點擊第二頁后，看到上面的地址欄！！！看到這個地址欄我都懶得翻頁了。。。

limit 參數是限制一個頁面加載專輯的個數

offset 參數是前面過濾多少個專輯，現在是一頁12個專輯，所以第二頁是offset=12，第三頁offset=24，以此類推。。。

一共9頁，一頁12個，也不到120個。So... ... 改一下url 就不用翻頁了！！

limit 參數等于120，offset 參數 等于0，就搞定了！輸入下面的url，看看是不是所有的專輯都加載出來了。

          
            http://music.163.com/#/artist/album?id=101988&limit=120&offset=0

          
        

下面就開始爬蟲代碼了。
這里我們會用到上一篇博文中寫好的幾個工具方法：

          
            '''
在學習過程中有什么不懂得可以加我的
python學習交流扣扣qun，934109170
群里有不錯的學習教程、開發工具與電子書籍。
與你分享python企業當下人才需求及怎么從零基礎學習好python，和學習什么內容。
'''
    def save_img(self, url, file_name): ##保存圖片
        print('開始請求圖片地址，過程會有點長...')
        img = self.request(url)
        print('開始保存圖片')
        f = open(file_name, 'ab')
        f.write(img.content)
        print(file_name,'圖片保存成功！')
        f.close()
 
    def request(self, url):  #封裝的requests 請求
        r = requests.get(url)  # 像目標url地址發送get請求，返回一個response對象。有沒有headers參數都可以。
        return r
 
    def mkdir(self, path):  ##這個函數創建文件夾
        path = path.strip()
        isExists = os.path.exists(path)
        if not isExists:
            print('創建名字叫做', path, '的文件夾')
            os.makedirs(path)
            print('創建成功！')
            return True
        else:
            print(path, '文件夾已經存在了，不再創建')
            return False
 
    def get_files(self, path): #獲取文件夾中的文件名稱列表
        pic_names = os.listdir(path)
        return pic_names
          
        

OK, 開始我們的爬蟲邏輯部分：

這里值得注意的是，該頁面使用frame 框架，使用Selenium + PhantomJS 后并不會加載iframe 框架中的網頁內容。iframe 框架相當于在頁面中又加載了一個頁面，需要使用Selenium 的 switch_to.frame() 方法加載（官網給的方法是switch_to_frame()，但是IDE提醒使用前面的方法替代該方法）。

看下面的網頁結構，iframe的id是“g_iframe”：

加載 iframe 框架中的內容：

          
            
driver = webdriver.PhantomJS()
driver.get(self.init_url)
driver.switch_to.frame("g_iframe")
html = driver.page_source
          
        

然后找到所有的封面元素：

根據上圖的網頁結構可以看出，所有的專輯信息都在ul 標簽里面，每一個專輯在一個li 標簽里。li 標簽中包含了圖片url、專輯名字、以及專輯時間。

抓取其中的內容就好了。

          
            
all_li = BeautifulSoup(html, 'lxml').find(id='m-song-module').find_all('li')
 
for li in all_li:
    album_img = li.find('img')['src']
    album_name = li.find('p', class_='dec')['title']
    album_date = li.find('span', class_='s-fc3').get_text()
          
        

這里獲取到的圖片url 依然是有圖片寬高參數的，所以要過濾寬高參數：
http://p4.music.126.net/pLA1G...

把問號后面的參數過濾掉：

          
            end_pos = album_img.index('?')  #找到問號的位置
album_img_url = album_img[:end_pos]  #截取問號之前的內容
          
        

圖片命名邏輯：專輯時間 + 專輯名。

專輯名可能有一些特殊字符，需要替換掉！

photo_name = album_date + ' - ' + album_name.replace('/','').replace(':',',') + '.jpg'

再使用上一篇博文例子中的去重邏輯，修改后的爬蟲邏輯部分如下：

          
            def spider(self):
        print("Start!")
        driver = webdriver.PhantomJS()
        driver.get(self.init_url)
        driver.switch_to.frame("g_iframe")
        html = driver.page_source
 
        self.mkdir(self.folder_path)  # 創建文件夾
        print('開始切換文件夾')
        os.chdir(self.folder_path)  # 切換路徑至上面創建的文件夾
 
        file_names = self.get_files(self.folder_path)  # 獲取文件夾中的所有文件名，類型是list
 
        all_li = BeautifulSoup(html, 'lxml').find(id='m-song-module').find_all('li')
        # print(type(all_li))
 
        for li in all_li:
            album_img = li.find('img')['src']
            album_name = li.find('p', class_='dec')['title']
            album_date = li.find('span', class_='s-fc3').get_text()
            end_pos = album_img.index('?')
            album_img_url = album_img[:end_pos]
 
            photo_name = album_date + ' - ' + album_name.replace('/','').replace(':',',') + '.jpg'
            print(album_img_url, photo_name)
 
            if photo_name in file_names:
                print('圖片已經存在，不再重新下載')
            else:
                self.save_img(album_img_url, photo_name)
          
        

其實相對于上篇博文的例子，這個爬蟲的邏輯部分還是挺簡潔的。

          
            from selenium import webdriver
from bs4 import BeautifulSoup
import requests
import os
class AlbumCover():
 
    def __init__(self):
        self.init_url = "http://music.163.com/#/artist/album?id=101988&limit=120&offset=0" #請求網址
        self.folder_path = "C:\D\TheBeatles" #想要存放的文件目錄
 
    def save_img(self, url, file_name):  ##保存圖片
        print('開始請求圖片地址，過程會有點長...')
        img = self.request(url)
        print('開始保存圖片')
        f = open(file_name, 'ab')
        f.write(img.content)
        print(file_name, '圖片保存成功！')
        f.close()
 
    def request(self, url):  # 封裝的requests 請求
        r = requests.get(url)  # 像目標url地址發送get請求，返回一個response對象。有沒有headers參數都可以。
        return r
 
    def mkdir(self, path):  ##這個函數創建文件夾
        path = path.strip()
        isExists = os.path.exists(path)
        if not isExists:
            print('創建名字叫做', path, '的文件夾')
            os.makedirs(path)
            print('創建成功！')
            return True
        else:
            print(path, '文件夾已經存在了，不再創建')
            return False
 
    def get_files(self, path):  # 獲取文件夾中的文件名稱列表
        pic_names = os.listdir(path)
        return pic_names
 
    def spider(self):
        print("Start!")
        driver = webdriver.PhantomJS()
        driver.get(self.init_url)
        driver.switch_to.frame("g_iframe")
        html = driver.page_source
 
        self.mkdir(self.folder_path)  # 創建文件夾
        print('開始切換文件夾')
        os.chdir(self.folder_path)  # 切換路徑至上面創建的文件夾
 
        file_names = self.get_files(self.folder_path)  # 獲取文件夾中的所有文件名，類型是list
 
        all_li = BeautifulSoup(html, 'lxml').find(id='m-song-module').find_all('li')
        # print(type(all_li))
 
        for li in all_li:
            album_img = li.find('img')['src']
            album_name = li.find('p', class_='dec')['title']
            album_date = li.find('span', class_='s-fc3').get_text()
            end_pos = album_img.index('?')
            album_img_url = album_img[:end_pos]
 
            photo_name = album_date + ' - ' + album_name.replace('/', '').replace(':', ',') + '.jpg'
            print(album_img_url, photo_name)
 
            if photo_name in file_names:
                print('圖片已經存在，不再重新下載')
            else:
                self.save_img(album_img_url, photo_name)
 
album_cover = AlbumCover()
album_cover.spider()
          
        

執行結果：

看看文件夾里面什么樣：