记一次爬取组装音乐的过程(使用 requests, eyed3)

好久没写爬虫,试着将音乐通过直链爬下来,然后在本地组装成完整的音乐。

也可以作为主要用到的三个库 requestspandaseyed3 的一次实践。

本文的 headers 将会被省略

import time
import requests
import os
import eyed3

import pandas as pd

from collections import defaultdict
from bs4 import BeautifulSoup

def process_headers(raw: str) -> dict:
    """
    将从 F12 里复制的头信息转为字典形式
    """
    headers = raw.strip().split('\n')
    result = {}
    for row in headers:
        row = row.strip()
        if not row:
            continue
        for method in ['GET', 'POST']:
            if row.startswith(method):
                break
        else:
            sep = row.index(':')
            result[row[:sep]] = row[sep+2:]
    return result

爬取信息

import requests
import time
import pandas as pd
from collections import defaultdict

推荐使用这个直链搜索工具来减小工作量,音乐直链搜索|音乐在线试听 - by 刘志进实验室。直链下载下来只有 128kbps,不过已经够用了。

打开 F12,可以看到这个搜索是使用 POST 来传递的

  • 请求载荷为表单形式,参数分别为 input, filter, type, page
  • 响应为 JSON 格式,非常完好的返回了各种歌曲的相关参数,包括链接、标题、作者、歌词、图片。

如果没有这个工具,那么我们还需要先爬取歌曲详情,再在歌曲详情页爬取这些信息,在这里也感谢这个工具的制作人。

liuzhijin POST result

建议在网站里发送一遍请求后,直接打开 F12 复制表单,在之后的请求中只需要修改 page 来获得对应信息。

url = 'https://music.liuzhijin.cn/'
data = 'input=%E5%8F%91%E7%83%AD%E5%B7%AB%E5%A5%B3&' \
       'filter=name&'                                \
       'type=netease&'                               \
       'page='
headers = process_headers(
    '''
    Host: music.liuzhijin.cn
    ...
    '''
)

def fetch_info():
    result = []
    for i in range(1, 44 + 1):  # 提取查看一共需要多少页
        res = requests.post(url, data=data + str(i), headers=headers)
        if res.status_code == 200:
            info = json.loads(res.text)
            print(f'success {i}')
            result.append(info)
        else:
            print(f'fail {i}')
        time.sleep(3)  # 休息,减少服务器压力
    return result

然后将信息用 Pandas 的 DateFrame 表示,并做一些预处理和保存

  • 名字:要将标题和作者都显示在文件里面,删去 Windows 命名不能使用的符号;同时还要做防重名处理,将重名的文件名后面加上数字。
  • 封面:因为提取出的信息里,封面图片是缩小后的形式,我们将图片的 urlparam 参数去掉,来获取完整的图片(如果不需要完整封面的也可以不做);同时文件的 id 也要截取下来,为后续进一步爬取做铺垫。
info = fetch_info()
info = sum((info['data'] for info in result),
           start=[])
info = pd.DataFrame(info)
info = info.drop('type', axis=1)

# 命名处理
info['name'] = info.apply(
    lambda row: f'{row.title} - {row.author}',
    axis=1
)
repeat_counts = defaultdict(int)
for i, a in info.iterrows():
    name = a['name']
    # Windows 命名不能使用的符号
    for c in '\\/:*?"<>|':
        name = name.replace(c, ' ')
    # Windows 不区分大小写,用 lower() 来防止重名
    repeat_counts[name.lower()] += 1
    if (rc := repeat_counts[name.lower()]) != 1:
        info.loc[i, 'name'] = info.loc[i, 'name'] + f' - {rc}'

# 封面处理
info['fullpic'] = info['pic'].map(lambda p: p[:p.index('?')])
info['picid'] = info['fullpic'].map(lambda p: p[p.rindex('/')+1:])

# 保存 显示
info.to_csv('info.csv', index=False)
info.head()

info

进一步爬取

这里只是爬取的文件的基本信息,为了进一步完善音乐信息,现在我们需要爬取网易云音乐的专辑页面

进入专辑页,可以看到一个页面只能显示 12 个专辑,但点到第二页之后可以看到 url 出现了 limitoffset 两个参数,从名字上就可以判断这两个参数的作用。修改 limit 为 80 并删去 offset 使所有专辑都显示在一个页面上,F12 查看响应。

在响应的原始模式中搜索我们需要的封面信息、专辑名、专辑发布时间三个信息,可以看到它们在 li 表示的列表中,上一级为 <ul class="m-cvrlst m-cvrlst-alb4 f-cb" id="m-song-module" data-id="19783"> 表示的无序列表中,我们使用 BeatifulSoup 进行提取。

album info

from bs4 import BeautifulSoup
url = 'https://music.163.com/artist/album?id=19783&limit=80'
headers = process_headers(
    '''
	Host: music.163.com
    ...
    '''
)

def get_artist_albums():
    res = requests.get(url=url, headers=headers)
    if res.status_code == 200:
        print('OK')
    return res

def parse_html(html):
    def image_name(url):
        b, e = url.rindex('/'), url.index('?')
        return url[b+1:e]
    soup = BeautifulSoup(html, "lxml")
    album_infos = soup.find_all('ul', id='m-song-module')[0].find_all('li')
    img_album_date_dict = {
        image_name(a.find('img')['src']):
        (
            a.find('p', class_='dec dec-1 f-thide2 f-pre')['title'],
            a.find('span', class_='s-fc3').text
        )
        for a in album_infos
    }
    return img_album_date_dict

将爬取的信息添加到 info 中,这时候之前处理的 picid 就有用到了,它可以将图片和专辑、日期联系起来

html = get_artist_albums()
img_album_date_dict = parse_html(html.text)

album_date_df = pd.DataFrame(info['picid'].map(
    lambda p: img_album_date_dict.get(p, {'album': None, 'date': None})
).to_list())

info = pd.concat((info, album_date_df), axis=1, sort=False)
info.to_csv('info_plus.csv', index=False)
info.head()

info plus

爬取图片、音频

现在图片在 fullpic 中,音频在 url 中,首先用浏览器打开一遍,复制 headers,并且查看其他情况。

发现图片可以直接获取,而音频则会被转发到不同的 CDN 服务器进行分流。而下载下来的音频几乎没有额外信息,这也是为什么我们需要爬取这些信息并且组装。

audio redirects

最关键的是,分流前后使用的 headers 是不同的,因此不能让 requests.get 进行重定向,而是手动提取 302 响应头的 Location 修改请求头后进行重定向。

headers = process_headers(
    '''
    Host: p3.music.126.net
    ...
    '''
)

def fetch_images():
    if not os.path.isdir('image/'):
        os.mkdir('image')

    pic_set = {}
    for i, a in result.iterrows():
        pic_url = a['fullpic']
        picid = a['picid']
        name = a['name']

        if picid in pic_set:
            print(f'OK {i} {name}')
            continue

        res = requests.get(url=pic_url, headers=headers)
        if res.status_code == 200:
            print(f'OK {i} {name}')
            with open(os.path.join('image', picid), 'wb') as p:
                p.write(res.content)
        else:
            print(f'fail {i} {name}')
        time.sleep(1)


headers = process_headers(
    '''
    Host: music.163.com
    ...
    '''
)

next_headers_list = [
    process_headers(
        '''
        Host: m10.music.126.net
        ...
        '''),
    process_headers(
        '''
        Host: m701.music.126.net
        ...
        '''
    )
]

next_headers = next_headers_list[0]


def fetch_mp3s(indexes=None, interval=None):
    if not os.path.isdir('music/'):
        os.mkdir('music')

    # 爬取失败的索引
    failed_indexes = []

    for i, a in result.iterrows():
        if indexes is not None and i not in indexes:
            continue
        failed = False
        url = a['url']
        name = a['name']
        path = os.path.join('music', name) + '.mp3'

        # 禁止自动重定向
        res = requests.get(url=url, headers=headers, allow_redirects=False)
        if res.status_code == 200:
            print(f'OK {i} {name}')
            with open(path, 'wb') as p:
                p.write(res.content)
        elif res.status_code == 302:
            url = res.headers['Location']
            res = requests.get(url=url, headers=next_headers)
            if res.status_code == 200:
                print(f'OK {i} {name}')
                with open(path, 'wb') as p:
                    p.write(res.content)
            else:
                failed = True
        else:
            failed = True
        if failed:
            print(f'FAIL {i} {res.status_code}')
            failed_indexes.append(i)
        if interval:
            time.sleep(interval)
    return failed_indexes

failed_indexes = fetch_mp3s()

之所以准备多个请求头,是因为分流的 CDN 需要的请求头是不一样的,在这里只需要用到两个请求头就可以获取全部的音频了。然后将失败的 url 更换请求头再次请求。

next_headers = next_headers_list[1]

while failed_indexes:
    failed_indexes = fetch_mp3s(failed_indexes)
    print('-----------')
    print(failed_indexes)
    print('-----------')

至此,所有需要网络连接的工作已经完成,接下来是使用 eyeD3 库进行将音频、封面以及其他信息进行组装。

组装

info plus

万事俱备,我们遍历表格,通过 picid 寻找图片,通过 name 寻找音频,再组装其他信息。

import eyed3

def attach_tag(audio, artist, album, title, album_artist, date, lyrics, image):
    if not audio.tag:
        audio.initTag()
    audio.tag.artist = artist or ''
    audio.tag.album = album or ''
    audio.tag.title = title or ''
    audio.tag.album_artist = album_artist or ''
    if date and isinstance(date, str):
        audio.tag.release_date = eyed3.core.Date(*map(int, date.split('.')))
    if lyrics and isinstance(lyrics, str):
        audio.tag.lyrics.set(lyrics, 'lyrics', b'jp')
    if image:
        audio.tag.images.set(eyed3.id3.frames.ImageFrame.FRONT_COVER,
                             image, 'image/jpeg')
    # 编码
    audio.tag.save(encoding='utf-8')

info = pd.read_csv('info_plus.csv')

for i, a in info.iterrows():
    name = a['name']
    audio = eyed3.load(os.path.join('music', name) + '.mp3')
    with open(os.path.join('image', a['picid']), 'rb') as p:
        attach_tag(
            audio=audio,
            artist=a['author'],
            album=a['album'],
            title=a['title'],
            album_artist='発热巫女~ず',
            date=a['date'],
            lyrics=a['lrc'],
            image=p.read()
        )
    print(i, a['name'])

Tag 的每一项数据都是以 Frame 类表示的,一般关注它的几个属性 id, description, lang, text,再通过 FrameAccessor 接口类的方法 get, set 方法来修改这几个属性。

对于一般的文字性的 Tag,比如 artist, album, title,使用的是 str 直接存储,然后写入 TextFrame 中,这个 TextFrame 包含了大部分地文字性描述。调用 save() 的时候才会写入 TextFrame

对于日期 DateFrame,需要使用类 eyed3.core.Date,其初始化为 __init__(year=None, month=None, day=None, ...) 一直到秒,已经通过 @property 修饰过了,直接赋值其实就已经调用了 set 方法。

对于歌词 LyricsFrame,显式地通过 set 方法进行配置,set(text, description, lang) 对应歌词、描述、语言,虽然我选的歌不少是英文,不过还是使用了 b'jp' 作为语言,描述则可以随意配置。

对于图片 ImageFrame,显式地通过 set 方法进行配置,set(type, img_data, mime_type, description, img_url) 对应图片类型、图片数据、图片格式、描述、URL,后两项省略不填。类型指的是下列的一长串,因为是封面所以选 FRONT_COVER;格式就用 image/jpeg

image type

还需要注意参数的类型,通过 @requireBytes, @requireUnicode 修饰的方法对参数类型有要求,比如下面这个 __init__ 函数就需要 1,3 位置的参数 id, langBytes2,4 位置的参数 description, textUnicode,其实就是 str,所以有 Unicode 描述的参数还需要注意编码。

DescriptionLangTextFrame require

结果

result

property result

封面、歌词、专辑、作者、日期显示正常。

错误

eyeD3 编码错误

eyeD3 UnicodeEncodeError

在完善 Tag 的过程中,发生 latin-1 编码错误,这是因为有些歌曲的 Tag 已经默认使用了 latin-1 编码。查看源码可知 eyeD3 使用的编码,我们需要的是 UTF-8 编码。

encoding

解决方法有三种,eyeD3 使用不同的 Frame 表示标签 Tag 的组成,比如图片就是 ImageFrame、歌词就是 LyricsFrame,这里出现错误的是 TextFrame。不论方法是什么,都需要改变这个 Frame 的编码。按正常的途径 Frame 上面设有一个 FrameAccessor 接口类来控制 Frame 数据的修改,但是通过这个接口无法修改编码。所以有四种解决方法:

  • Python 没有严格的访问限制,可以直接修改对应 TextFrameencoding 属性,但是这个对应的 TextFrame 比较难找;

  • eyeD3 相比其他库,比较方便的地方就是它是由 Python 编写的,因此我们可以轻松的通过报错找到错误发生的位置,并且加入输出和修复。

    上面的错误已经提供了错误发生的位置 eyed3\id3\frames.py:314, in TextFrame.render(self),直接找到这个文件修改为

    def render(self):
        self._initEncoding()
        try:
            self.data = (self.encoding +
                         self.text.encode(id3EncodingToString(self.encoding)))
        except UnicodeEncodeError as e:
            print(e)
            print(self.text)
            self.data = (self.encoding +
                         self.text.encode(id3EncodingToString(UTF_8_ENCODING)))
        assert type(self.data) is bytes
        return super().render()
    
    
  • 第三个是最简便的方法

    错误发生的原因其实是音频文件已经有了自己的 TextFrame,而且编码已经设置好了。干脆直接把 Tag 清除重新写入就可以了,因为本来就没有多少信息,而且我们自己要写入的信息其实是很充足的。

    将写入 Tag 的代码前清除 Tag,改为

    def attach_tag(song, artist, album, title, date, lyrics, image):
        audio.initTag()
        song.tag.artist = artist or ''
        ...
        audio.tag.save()
    
  • 第四个也是最简便的方法,就是文章里面写的,保存的时候提供编码即可

    audio.tag.save(encoding='utf-8')
    

requests 重定向错误

这就是前面说的因为分流前后请求头不同而发生的,默认情况下 requests.get()allow_redirects=True,使用重定向之后请求头却没有修改,容易引起服务器拒绝请求,即 403 错误。

通关 Wireshark 抓包,也可以发现(11~22 为 requests.get81~3764 为浏览器,图中没有显示具体的请求头并且隐去了 Source 和 Destination),不同的请求方式都接受了 302 Found,但重定向后分别引起了 502 Bad Gateway 和 200 OK。

wireshark requests

posted @ 2023-05-09 14:48  Violeshnv  阅读(332)  评论(0编辑  收藏  举报