Python爬虫入门教程14:喜马拉雅有声书音频爬取
前言💨
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。
前文内容💨
PS:如有需要 Python学习资料
以及 解答
的小伙伴可以加点击下方链接自行获取
python免费学习资料以及群交流解答点击即可加入
基本开发环境💨
- Python 3.6
- Pycharm
相关模块的使用💨
import requests
import os
安装Python并添加到环境变量,pip安装需要的相关模块即可。
一、💥明确目标
爬取免费的播放量最多的有声书,如果你想要爬取付费的也是可以,那你得先开一个会员,
爬虫是看的到才能爬。
二、💥网页数据分析
点击任意一个音频章节点击播放。在开发者工具中选择 Media
会加载出一个数据
复制这个链接会自动下载一个可播放的音频文件。
听内容是和网站上面的有声小说是一样的。所以这个就是音频数据的真实url地址。
接下来就要分析找到这个数据来源。
在开发者工具中搜索 wKgJJ1eKo-3xGS0KAFIc8J_87NE024
框选的内容就是音频本身,所有查看第一个地址。
https://www.ximalaya.com/revision/play/v1/audio?id=18556416&ptype=1
这个数据里面包含了音频地址。
其实这个 id=18556416
就是每个音频的ID值了。同样的在开发者工具中进行搜索。
有声书名字,音频ID,章节名字都有了。但是当我查看第二页数据的时候发现,并不是这个链接,而是另外一个链接。
https://www.ximalaya.com/revision/album/v1/getTracksList?albumId=4756811&pageNum=2
还是有一些区别的,所以我们应该请求的是第二个链接
😀 整体思路分析
1、通过 'https://www.ximalaya.com/revision/album/v1/getTracksList?albumId=4756811&pageNum=2'
url地址获取每章音频的ID以及章节名字
2、通过 'https://www.ximalaya.com/revision/play/v1/audio?id=18556416&ptype=1' url地址获取
每章音频的下载地址
3、请求音频地址,进行本地保存
三、💥代码实现
1、获取获取每章音频的ID以及章节名字
def get_audio_info(html_url):
json_data = get_response(html_url).json()
audio_info = json_data['data']['tracks']
for index in audio_info:
# 音频ID
audio_id = index['trackId']
# 章节名字
audio_title = index['title']
# 有声书小说名字 《摸金天师》第001章 百辟刀
audio_name = audio_title.split('第')[0]
2、获取音频url
def get_audio_url(audio_id):
page_url = f'https://www.ximalaya.com/revision/play/v1/audio?id={audio_id}&ptype=1'
json_data = get_response(page_url).json()
audio_url = json_data['data']['src']
return audio_url
3、保存音频
def save(name, title, audio_url):
path = f'{name}\\'
if not os.path.exists(path):
os.makedirs(path)
audio_content = get_response(audio_url).content
with open(path + title + '.m4a', mode='wb') as f:
f.write(audio_content)
print('正在保存:', title)
💥完整实现代码
import requests
import os
def get_response(html_url):
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url=html_url, headers=header)
return response
def save(name, title, audio_url):
path = f'{name}\\'
if not os.path.exists(path):
os.makedirs(path)
audio_content = get_response(audio_url).content
with open(path + title + '.m4a', mode='wb') as f:
f.write(audio_content)
print('正在保存:', title)
def get_audio_url(audio_id):
page_url = f'https://www.ximalaya.com/revision/play/v1/audio?id={audio_id}&ptype=1'
json_data = get_response(page_url).json()
audio_url = json_data['data']['src']
return audio_url
def get_audio_info(html_url):
json_data = get_response(html_url).json()
audio_info = json_data['data']['tracks']
for index in audio_info:
# 音频ID
audio_id = index['trackId']
# 章节名字
audio_title = index['title']
# 有声书小说名字 《摸金天师》第001章 百辟刀
audio_name = audio_title.split('第')[0]
audio_url = get_audio_url(audio_id)
save(audio_name, audio_title, audio_url)
if __name__ == '__main__':
for page in range(1, 39):
url = f'https://www.ximalaya.com/revision/album/v1/getTracksList?albumId=4756811&pageNum={page}'
get_audio_info(url)