爬取豆瓣音乐TOP250的数据
参考网址:https://music.douban.com/top250
因为详细页的信息更丰富,本次爬虫在详细页中进行,因此先爬取进入详细页的网址链接,进而爬取数据。
需要爬取的信息有:歌曲名、表演者、流派、发行时间、出版者和评分等。
将数据分别使用TXT、JSON、CSV存储。
import re import csv import time import json import requests from bs4 import BeautifulSoup from requests import RequestException def get_one_page(url): try: headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36' + '(KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'} response = requests.get(url, headers=headers) #response.encoding = response.apparent_encoding if response.status_code == 200: return response.text return None except RequestException: return None def get_detailurl(text): detailurl = [] soup = BeautifulSoup(text, 'lxml') nbg = soup.find_all(name='a', class_='nbg') for i in nbg: detailurl.append(i['href']) return detailurl def parse_one_page(text): soup = BeautifulSoup(text, 'lxml') #使用lxml XML 解析库 performer = soup.select('#info > span > span > a') #有标签没有属性的情况下用select, 否则用find_all song = soup.select('#wrapper > h1 > span') style = re.findall('流派:</span> (.*?)<br', text, re.S) #.*?非贪婪匹配 #re.S使.匹配包括换行在内的所有字符 if len(style) == 0: #有的页面没有流派,用NULL填充 style.append('NULL') publisher = re.findall('出版者:</span> (.*?)?<br', text, re.S) if len(publisher) == 0: #有的页面没有出版者,用NULL填充 publisher.append('NULL') pattern = re.compile('发行时间:</span> (.*?)?<br', re.S) #compile()将正则字符串编译成正则对象,方便之后复用 time = re.findall(pattern, text) score = soup.find_all(name='strong', class_="ll rating_num") #有标签有属性的情况下用find_all yield { 'performer': performer[0].string, 'song': song[0].string, 'style': style[0].strip(), 'time': time[0].strip(), 'publisher': publisher[0].strip(), 'score': score[0].string, } def write_to_file(content): with open('doubanMusicTop250.txt', 'a', encoding='utf-8') as f: f.write(json.dumps(content, ensure_ascii=False)+'\n') #dumps将json对象转化为字符串 def write_to_json(content): with open('doubanMusicTop250.json', 'a', encoding='utf-8') as f: f.write(json.dumps(content, ensure_ascii=False)+'\n') def write_to_csv(content): with open('doubanMusicTop250.csv', 'a', encoding='utf-8') as f: fieldnames = ['publisher', 'style', 'song', 'score', 'performer', 'time'] writer = csv.DictWriter(f, fieldnames=fieldnames) writer.writeheader() writer.writerows(content) if __name__ == '__main__': url = 'https://music.douban.com/top250?start={}' urls = [url.format(page) for page in range(0,256,25)] content = [] for url in urls: text1 = get_one_page(url) detailurl = get_detailurl(text1) for i in detailurl: text2 = get_one_page(i) for item in parse_one_page(text2): print(item) write_to_file(item) content.append(item) time.sleep(1) write_to_csv(content) write_to_json(content)
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 开发者必知的日志记录最佳实践
· SQL Server 2025 AI相关能力初探
· Linux系列:如何用 C#调用 C方法造成内存泄露
· AI与.NET技术实操系列(二):开始使用ML.NET
· 记一次.NET内存居高不下排查解决与启示
· 被坑几百块钱后,我竟然真的恢复了删除的微信聊天记录!
· 没有Manus邀请码?试试免邀请码的MGX或者开源的OpenManus吧
· 【自荐】一款简洁、开源的在线白板工具 Drawnix
· 园子的第一款AI主题卫衣上架——"HELLO! HOW CAN I ASSIST YOU TODAY
· Docker 太简单,K8s 太复杂?w7panel 让容器管理更轻松!