網易雲音樂爬取

前提：

scrapy這個框架很多人用過，網上教程也很多，但大多就是爬爬小說這種比較簡單且有規律的，網易雲音樂也有很多人寫過，也有API，不過大多是爬取了熱門歌曲，或是從歌單下手，但是考慮到歌單會有很多重復的。當然，從歌手頁的話，如果有多個歌手合唱，那每個歌手頁也都會有這首歌，但他們的鏈接是一樣的，也是會有重復的，但是相對來說就比較少，所以就從歌手下手。

在GitHub上也有很多優秀的例子，但沒有文檔，我這里寫一個整站的。 
項目GitHub地址：https://github.com/sujiujiu/WYYScrapy

另外，在寫的過程中，發現scrapy這個框架其實不是那么完美，它對上手的要求有點高，而且又有些束縛，尤其是對數據庫的操作，不是那么的完美。

就比如我要設置一些已經存在的url跳過（在沒有索引的情況下），而scrapy它本身就是一個各個功能分開寫的，pinelines這個文件是處理數據庫的，但我要處理存在的url跳過，pinelines就不方便了，還有些可能就要寫到程序，這就相悖了。所以我后來還是沒有用框架又寫了一遍。這一塊就拿出來當教程吧。

開發環境：WIN7+Anaconda+py2.7+scrapy 
數據庫：MongoDB 
文章的順序：先分析思路，再分析scrapy框架每個模塊的作用，最后寫代碼和分析API，只有5篇。

一、我們先爬歌手，有兩種方法：

方法一：

一種是遍歷，大概十一二萬的樣子，大多id是相隔不遠的，有個別歌手有主頁，但是沒有申請音樂人，用這種方式比較齊，也不用去單獨寫代碼。 
但我最開始用的是下面這種，我們也拿這個來分析：

方法二：

1、從這個頁面，爬取所有歌手的id：http://music.163.com/#/discover/artist，這里要說一下，網易雲的所有網址，要去掉中間那個#號才是真正的url，帶#的查看源代碼是獲取不到真正的信息的。所以其實是：http://music.163.com/discover/artist。 
我們看這個頁面左側欄： 

2、因為當時我寫的時候，參考到這篇，https://github.com/runningRobin/music163/blob/master/music163/spiders/spider.py 
 
這個group_ids里的就是左側每個項對應所有的頁面了（不包括最上方的推薦歌手和入駐歌手，因為包含在其他里面了）

3、我們按F12或右鍵檢查，如圖，每個對應的url是：http://music.163.com/discover/artist/cat?id=xxx： 

4、然后我們再點進去： 

url的id就是上面這個id了，而后面的initial是什么呢？initial是首字母的意思，你看下面我們選中的是A，然后它是65，是不是想到ASCII碼，在ASCII碼中A就是從65開始的，Z是90，后面以此類推，最后有個其他，是0，我們將它弄成一個列表：

# 男女、國家分類id group_ids = (1001, 1002, 1003, 2001, 2002, 2003, 6001, 6002, 6003, 7001, 7002, 7003, 4001, 4002, 4003) # 歌手姓名首字母id initials = [i for i in range(65,91)] + [0]

二、歌手頁

1、點進來之后我們來到歌手頁，http://music.163.com/#/artist?id=6452，同樣，去掉#， 
2、我們會發現下面有好幾個塊， 
 
我們獲取的這個url對應的是熱門50首，如果你只需要熱門歌曲你可以獲取它所有鏈接: 

這個代碼被我分為兩塊，第一塊是熱門50首的url，也只有url。 
而第二塊textarea里是json，是這些歌曲的完整的信息，我獲取的是json信息，只不過，這些信息通過lxml.etree或者BeautifulSoup用text的方式獲取下來會是字符串，我們需要用json將它格式化，但是極個別在爬取的過程中，死活獲取不到。 
3、上面那個是歌手的熱門歌曲，我們要獲取全站，就得從歌手的專輯下手，獲取專輯里所有的歌手才行。因為scrapy本身的束縛，其實說是全站，並不是那么方便，比如這四個板塊，我們只能選一個，一直往下，單曲或MV就得另寫。 
4、我們在專輯頁會發現，有些是有很多頁的，后來搜的時候發現了API，所以接下來的東西，我們就不通過頁面的方式了，API我是通過這個網站發現的：http://moonlib.com/606.html，因為最開始我的目的是爬評論，來看到評論的API很多變了，我以為這些都變了，一開始還擱置了沒用，傻傻的去寫lxml，但是它的翻頁的序號是爬不到的，后來隨手測試了一下API，發現都有用。我們用到的是2到6（不包括5，沒用到歌單），第7條接口是MV的，不過不幸沒有發現像專輯一樣的列表頁信息，它只有單曲的MV的API。不過這里我們用不上。后面會專門分析API。 

5、接下來就是每個專輯的所有歌曲還有專輯、歌手的一些信息，專輯下也有評論 

6、最后就是歌曲頁了 

好，思路就是這樣，接下來我們分析Scrapy這個框架。