【Python爬虫】爬取酷狗TOP500的数据

天道Vax的时间宝藏

发布于 2021-08-11 16:04:57

1.5K0

发布于 2021-08-11 16:04:57

文章被收录于专栏：用户5305560的专栏用户5305560的专栏

该文利用Requests和BeautifulSoup第三方库，爬去酷狗网榜单中酷狗TOP500的信息。

首先分析页面：https://www.kugou.com/yy/rank/home/1-8888.html

网页版酷狗不能手动翻页，进行下一步的浏览，但观察url可以尝试把1-8888的1替换成为2，在进行浏览，恰好返回的是第二页的信息。

经过多次尝试。发现更换不同数字，即跳转不同的页面，因此只需要更改home/后面的数字即可，由于每页只显示22条信息，所以我们抓取前500总共需要23个页面。

我们爬取的信息由排名情况、歌手、歌曲名和歌曲时长。

代码如下：

import requests
from bs4 import BeautifulSoup
import time

headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'
}

def get_info(url):
    wb_data = requests.get(url,headers=headers)
    soup = BeautifulSoup(wb_data.text,'lxml')
    ranks = soup.select('span.pc_temp_num')
    titles = soup.select('div.pc_temp_songlist > ul > li > a')
    times = soup.select('span.pc_temp_tips_r > span')
    for rank,title,time in zip(ranks,titles,times):
        data = {
            'rank':rank.get_text().strip(),
            'singer':title.get_text().split('-')[0],
            'song':title.get_text().split('-')[0],
            'time':time.get_text().strip()
        }
        print(data)

if __name__ == '__main__':
    urls = ['http://www.kugou.com/yy/rank/home/{}-8888.html'.format(str(i)) for i in range(1,24)]
    for url in urls:
        get_info(url)
        time.sleep(1)

程序分析：

第1-3行导入程序需要的库，Requests库用于请求网页获取网页数据，BeautifulSoup库用于解析网页数据，time库的sleep()方法可以让程序暂停
第5-8行通过Chrome浏览器的开发者工具，复制User-Agent，用于伪装为浏览器，便于爬虫的稳定性。
第10-23行，定义get_info()函数，用于获取网页信息并输出。传入url后，进行请求和解析，通过Chrome浏览器的“检查”并Copy selector获取相应的信息，由于信息数据为列表数据结构，因此可以通过多重循环，构造字典类型，输出并打印信息。
第25-29行，作为程序的主入口，通过对网页url的观察，利用列表的推导式构造23个url，并依次调用get_info()函数，time.sleep(1)的意思是每循环一次，让程序暂停一秒，防止请求网页频率过快而导致爬虫失败。

实现效果：