爬虫入门--Python利用selenium下载中央广播电台FM广播节目

本文主要是介绍爬虫入门--Python利用selenium下载中央广播电台FM广播节目,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本文主要利用爬虫技术,来自动下载网页上音频数据

参考资料:

关于python入门,可以学习在imooc网课上搜索Python开发简单爬虫

关于如何加载下一页,参考博客python利用beautifulsoup+selenium自动翻页抓取网页内容

简单爬虫知识

 主要分为爬虫调度器,URL管理器,网页下载器,网页解析器,价值数据

  1. 爬虫调度器:来开启抓取数据
  2. URL管理器:主要来负责管理访问的URL,包括为了防止重复访问用Set数据结构来保存,已经访问过的URL和未访问过的URL
  3. 网页下载器:用来获取网页内容,常用的urllib2和selenium库,其中selenium库可以调用网页交互操作和js加载后的数据,本文用selenium库来获取网页数据
  4. 网页解析器:主要从网页内容分解出我们需要的内容,如访问的url,文本内容,常用的库为BeautifulSoup库,也常用re库开正则查找
  5. 价值数据:为我们需要的数据

任务

央广或者地方台广播中有许多优秀的作品,比如经济广播中有一个节目《每当夜晚来临的时候》,我们想要获得之前的节目时,幸运的是,央广网主页时提供以往节目,我们手动下载比较多,耗时耗力,我们就可以利用爬虫技术,从网页中解析获得下载URL------->下载文件-------->加载下一页-------->解析下载URL------->.......

节目地址:每当夜晚来临的时候

实现

  1. 网页下载器

    采用selenium,使用PhantomJS时需要下载相关的程序,下载地址,然后放在python的Scripts文件夹下
    from selenium import webdriver
    driver = webdriver.PhantomJS()
    url='http://www.radio.cn/pc-portal/sanji/zhibo_2.html?channelname=2&name=520799&title=radio#'
    driver.get(url)
    print(driver.page_source)

    打印出网页内容,就可以看到html内容

    <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"><html xmlns="http://www.w3.org/1999/xhtml" xml:lang="utf-8" lang="utf-8" style="position: relative; height: 100%;"><head><script type="text/javascript" src="http://bdimg.share.baidu.com/static/api/js/view/share_view.js?v=3ae6026d.js"></script><script type="text/javascript" src="http://bdimg.share.baidu.com/static/api/js/share/share_api.js?v=226108fe.js"></script><meta http-equiv="Content-Type" content="text/html; charset=utf-8"><title>中国广播Radio.cn</title><meta name="filetype" content="0"><meta name="publishedtype" content="1"><meta name="pagetype" content="1"><meta name="catalogs" content="radio10"><meta name="contentid" content="520799"><meta name="publishdate" content="">

     

  2.  网页解析器

    主要是来获得下载链接,在网页上选中“下载”右键选择检查,可以得到我们需要的节点
    <a href="#" onclick="downLiveRecord('cnvod.cnr.cn/audio2018/live/jjzs/201903/mdywlldsh_20190322231021jjzs_h.m4a','每当夜晚来临的时候');" style="color:#4876FF">下载</a>

    利用 BeautifulSoup来查找该节点

    html_cont = driver.page_source
    soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')
    links = soup.find_all('a', onclick=re.compile(r"downLiveRecord"))
    html_code = links[0]
    print(links[0])

    根据上面可以得到结果

    <a href="#" onclick="downLiveRecord('cnvod.cnr.cn/audio2018/live/jjzs/201903/mdywlldsh_20190322231021jjzs_h.m4a','每当夜晚来临的时候');" style="color:#4876FF">下载</a>

    利用正则查找,找到下载url

    results = re.findall(r"cnvod.*m4a",str(html_code))
    print(results)
    words = results[0].split('/')
    folder_name = words[-2]
    file_name = words[-1]
    print(folder_name, file_name)

    可以得到下载链接,以及其他的信息

    ['cnvod.cnr.cn/audio2018/live/jjzs/201903/mdywlldsh_20190322231021jjzs_h.m4a']
    201903 mdywlldsh_20190322231021jjzs_h.m4a

     

  3. URL管理器

      可以将上面的url用set管理起来等操作,这里说一下怎么加载下一页

    driver.find_element_by_xpath("//a[contains(text(),'下一页')]").click()# selenium的xpath用法,找到包含“下一页”的a标签去点击
  4. 音频下载
down_url = r"http://"+str(results[0])
r = requests.get(down_url,stream=True) #stream=True #开启时时续续的下载的方式
total_size = int(r.headers['Content-Length'])
temp_size = 0
with open(file_name, 'wb') as f:for chunk in r.iter_content(chunk_size=1024): #chunk_size #设置每次下载文件的大小temp_size += len(chunk)f.write(chunk)  #每一次循环存储一次下载下来的内容f.flush()done = int(50 * temp_size / total_size)sys.stdout.write("\r[%s%s] %d%%" % ('█' * done, ' ' * (50 - done), 100 * temp_size / total_size))sys.stdout.flush()

 完整代码

import os
import re
import sys
import time
import requests
from bs4 import BeautifulSoup
from selenium import webdriverdef download(file_name, down_url):r = requests.get(down_url,stream=True)total_size = int(r.headers['Content-Length'])temp_size = 0try:with open(file_name, 'wb') as f:for chunk in r.iter_content(chunk_size=1024): #chunk_size #设置每次下载文件的大小temp_size += len(chunk)f.write(chunk)  #每一次循环存储一次下载下来的内容f.flush()done = int(50 * temp_size / total_size)sys.stdout.write("\r[%s%s] %d%%" % ('█' * done, ' ' * (50 - done), 100 * temp_size / total_size))sys.stdout.flush()   except:print('download failed') def main(url):driver = webdriver.PhantomJS()#url='http://www.radio.cn/pc-portal/sanji/zhibo_2.html?channelname=2&name=520799&title=radio#'driver.get(url)page = 0while page < 51:soup = BeautifulSoup(driver.page_source, "html.parser", from_encoding='utf-8')links = soup.find_all('a', onclick=re.compile(r"downLiveRecord"))for link in links:url = re.findall(r"cnvod.*m4a",str(link))print("page = %d, %s" % (page, url[0]))words = url[0].split('/')folder_name = words[-2]file_name = words[-1]#下载if os.path.exists(folder_name) == False:os.makedirs(folder_name)file_name = folder_name + r'/'+ file_namedown_url = r"http://"+str(url[0])download(file_name, down_url)#下一页try:driver.find_element_by_xpath("//a[contains(text(),'下一页')]").click()# selenium的xpath用法,找到包含“下一页”的a标签去点击except:print('load next page failed')page = page + 1time.sleep(2)print('finish')if __name__ == "__main__":root_url = "http://www.radio.cn/pc-portal/sanji/zhibo_2.html?channelname=2&name=520799&title=radio#"main(root_url)

结果

         

 

这篇关于爬虫入门--Python利用selenium下载中央广播电台FM广播节目的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1127696

相关文章

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中反转字符串的常见方法小结

《Python中反转字符串的常见方法小结》在Python中,字符串对象没有内置的反转方法,然而,在实际开发中,我们经常会遇到需要反转字符串的场景,比如处理回文字符串、文本加密等,因此,掌握如何在Pyt... 目录python中反转字符串的方法技术背景实现步骤1. 使用切片2. 使用 reversed() 函

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

使用Docker构建Python Flask程序的详细教程

《使用Docker构建PythonFlask程序的详细教程》在当今的软件开发领域,容器化技术正变得越来越流行,而Docker无疑是其中的佼佼者,本文我们就来聊聊如何使用Docker构建一个简单的Py... 目录引言一、准备工作二、创建 Flask 应用程序三、创建 dockerfile四、构建 Docker

Python使用vllm处理多模态数据的预处理技巧

《Python使用vllm处理多模态数据的预处理技巧》本文深入探讨了在Python环境下使用vLLM处理多模态数据的预处理技巧,我们将从基础概念出发,详细讲解文本、图像、音频等多模态数据的预处理方法,... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Python使用pip工具实现包自动更新的多种方法

《Python使用pip工具实现包自动更新的多种方法》本文深入探讨了使用Python的pip工具实现包自动更新的各种方法和技术,我们将从基础概念开始,逐步介绍手动更新方法、自动化脚本编写、结合CI/C... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Conda与Python venv虚拟环境的区别与使用方法详解

《Conda与Pythonvenv虚拟环境的区别与使用方法详解》随着Python社区的成长,虚拟环境的概念和技术也在不断发展,:本文主要介绍Conda与Pythonvenv虚拟环境的区别与使用... 目录前言一、Conda 与 python venv 的核心区别1. Conda 的特点2. Python v

Python使用python-can实现合并BLF文件

《Python使用python-can实现合并BLF文件》python-can库是Python生态中专注于CAN总线通信与数据处理的强大工具,本文将使用python-can为BLF文件合并提供高效灵活... 目录一、python-can 库:CAN 数据处理的利器二、BLF 文件合并核心代码解析1. 基础合

Python使用OpenCV实现获取视频时长的小工具

《Python使用OpenCV实现获取视频时长的小工具》在处理视频数据时,获取视频的时长是一项常见且基础的需求,本文将详细介绍如何使用Python和OpenCV获取视频时长,并对每一行代码进行深入解析... 目录一、代码实现二、代码解析1. 导入 OpenCV 库2. 定义获取视频时长的函数3. 打开视频文

Python中你不知道的gzip高级用法分享

《Python中你不知道的gzip高级用法分享》在当今大数据时代,数据存储和传输成本已成为每个开发者必须考虑的问题,Python内置的gzip模块提供了一种简单高效的解决方案,下面小编就来和大家详细讲... 目录前言:为什么数据压缩如此重要1. gzip 模块基础介绍2. 基本压缩与解压缩操作2.1 压缩文