一：前言

本次爬取的是喜馬拉雅的熱門(mén)欄目下全部電臺(tái)的每個(gè)頻道的信息和頻道中的每個(gè)音頻數(shù)據(jù)的各種信息，然后把爬取的數(shù)據(jù)保存到mongodb以備后續(xù)使用。這次數(shù)據(jù)量在70萬(wàn)左右。音頻數(shù)據(jù)包括音頻下載地址，頻道信息，簡(jiǎn)介等等，非常多。

昨天進(jìn)行了人生中第一次面試，對(duì)方是一家人工智能大數(shù)據(jù)公司，我準(zhǔn)備在這大二的暑假去實(shí)習(xí)，他們就要求有爬取過(guò)音頻數(shù)據(jù)，所以我就來(lái)分析一下喜馬拉雅的音頻數(shù)據(jù)爬下來(lái)。目前我還在等待三面中，或者是通知最終面試消息。 （因?yàn)槟艿玫揭欢隙ǎ还艹晒εc否都很開(kāi)心）

二：運(yùn)行環(huán)境

• IDE：Pycharm 2017
• Python3.6
• pymongo 3.4.0
• requests 2.14.2
• lxml 3.7.2
• BeautifulSoup 4.5.3

三：實(shí)例分析

1.首先進(jìn)入這次爬取的主頁(yè)面?http://www.ximalaya.com/dq/all/?，可以看到每頁(yè)12個(gè)頻道，每個(gè)頻道下面有很多的音頻，有的頻道中還有很多分頁(yè)。抓取計(jì)劃：循環(huán)84個(gè)頁(yè)面，對(duì)每個(gè)頁(yè)面解析后抓取每個(gè)頻道的名稱(chēng)，圖片鏈接，頻道鏈接保存到mongodb。

熱門(mén)頻道

2.打開(kāi)開(kāi)發(fā)者模式，分析頁(yè)面，很快就可以得到想要的數(shù)據(jù)的位置。下面的代碼就實(shí)現(xiàn)了抓取全部熱門(mén)頻道的信息，就可以保存到mongodb中。

分析頻道

３.下面就是開(kāi)始獲取每個(gè)頻道中的全部音頻數(shù)據(jù)了，前面通過(guò)解析頁(yè)面獲取到了美國(guó)頻道的鏈接。

比如我們進(jìn)入?http://www.ximalaya.com/6565682/album/237771?這個(gè)鏈接后分析頁(yè)面結(jié)構(gòu)。可以看出每個(gè)音頻都有特定的ID，這個(gè)ID可以在一個(gè)div中的屬性中獲取。使用split()和int()來(lái)轉(zhuǎn)換為單獨(dú)的ID。

頻道頁(yè)面分析

4.接著點(diǎn)擊一個(gè)音頻鏈接，進(jìn)入開(kāi)發(fā)者模式后刷新頁(yè)面然后點(diǎn)擊XHR，再點(diǎn)擊一個(gè)json鏈接可以看到這個(gè)就包括這個(gè)音頻的全部詳細(xì)信息。

音頻頁(yè)面分析

5.上面只是對(duì)一個(gè)頻道的主頁(yè)面解析全部音頻信息，但是實(shí)際上頻道的音頻鏈接是有很多分頁(yè)的。

分頁(yè)

6.全部代碼

完整代碼地址?github.com/rieuse/learnPython

7.如果改成異步的形式可以快一點(diǎn)，只需要修改成下面這樣就行了。我試了每分鐘要比普通的多獲取近100條數(shù)據(jù)。這個(gè)源代碼也在github中。

異步

五：總結(jié)

這次抓取的數(shù)據(jù)量在70萬(wàn)左右，這些數(shù)據(jù)后續(xù)可以進(jìn)行很多研究，比如播放量排行榜、時(shí)間區(qū)段排行、頻道音頻數(shù)量等等。后續(xù)我將繼續(xù)學(xué)習(xí)使用科學(xué)計(jì)算和繪圖工具來(lái)進(jìn)行數(shù)據(jù)分析，清洗的工作。