网易云音乐热门作品名字和链接抓取(html5lib篇)

发布于

大家好，我是皮皮。

一、前言

前几天在Python白银交流群有个叫【O|】的粉丝问了一道关于网易云音乐热门作品名字和链接抓取的问题，获取源码之后，发现使用xpath匹配拿不到东西，从响应来看，确实是可以看得到源码的。

之前的文章，已经使用了正则表达式和xpath、bs4和pyquery四个方法进行了相关实现，网易云音乐热门作品名字和链接抓取(正则表达式篇)，网易云音乐热门作品名字和链接抓取(xpath篇)，网易云音乐热门作品名字和链接抓取(bs4篇)，网易云音乐热门作品名字和链接抓取(pyquery篇)，这篇文章我们使用html5lib来实现。

二、实现过程

这里【甯同学】给了一个使用html5lib方法来实现的代码，简单来说就是用html5lib修复html就可以了，代码如下。

代码语言：javascript
复制
# coding:utf-8

@Time : 2022/5/10 10:46


@Author: 皮皮


@公众号: Python共享之家


@website : http://pdcfighting.com/


@File : 网易云音乐热门作品名字和链接(html5lib).py


@Software: PyCharm




ooOoo


o8888888o


88" . "88


(| -_- |)


O\  =  /O


_/`---'_


.'  \|     |//  `.


/  \|||  :  |||//  \


/  _||||| -:- |||||-  \


|   | \\  -  /// |   |


| _|  ''---/''  |   |


\  .-__  -  ___/-. /


___. .'  /--.--\  . . __


."" '<  `._<|>/_.'  >'"".


| | :  - \.;\ _ /;./ -  : | |


\  \ -.   \_ __\ /__ _/   .- /  /


======-.____-._/.-`__.-'======


`=---='


^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^


☀佛祖保佑☀   卍   ☀永无BUG☀


import requests, re

from lxml import etree

from fake_useragent import UserAgent

import html5lib


class Wangyiyun(object):

def init(self):

self.base_url = 'https://music.163.com/discover/artist'

self.headers = {

'user-agent': UserAgent().random,

'referer': 'https://music.163.com/',

'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,/;q=0.8,application/signed-exchange;v=b3;q=0.9'

}


def get_xpath(self, url):
    res = requests.get(url, headers=self.headers)
    # print(res.text)
    return etree.HTML(etree.tostring(html5lib.parse(res.text, treebuilder=&#39;lxml&#39;)))

def singers_parse(self, url, items):
    html = self.get_xpath(url)
    song_dict = {}
    a_lis = html.xpath(&#39;//div[@id=&#34;song-list-pre-cache&#34;]/ul/li/a&#39;)  # &#34;song-list-pre-cache&#34;
    for a in a_lis:
        song_name = a.xpath(&#39;.//text()&#39;)[0]
        print(song_name)
        song_url = &#39;https://music.163.com&#39; + a.xpath(&#39;./@href&#39;)[0]
        print(song_url)
        # song_dict[song_name] = song_url
    items[&#39;所有歌曲：&#39;] = song_dict
    # print(items)
    # name = items[&#39;歌手名：&#39;]
    # print(f&#39;歌手：{name} 的歌曲已经获取完毕！即将写入文件！&#39;)
    # time.sleep(1)
    # self.writer_data(items)
    # print(f&#39;歌手：{name} 的歌曲已经写入完毕！&#39;)



Wangyiyun().singers_parse(url='https://music.163.com/artist?id=50653542', items={})

这个代码亲测好使，运行之后结果如下。

难点在于掌握pyquery选择器的使用，获取值等等。

如果遇到下图这个报错，一般是编码问题导致的。

只需要将86行的代码加个编码就行，如下图所示：

代码语言：javascript
复制
return etree.HTML(etree.tostring(html5lib.parse(res.text, treebuilder='lxml'), encoding='iso8859-1'))

之后就可以正常跑起来了：

三、总结

大家好，我是皮皮。网易云音乐热门作品名字和链接抓取(pyquery篇)，行之有效，难点在于构造pyquery选择器。也欢迎大家积极尝试，一起学习。目前我们已经实现了使用正则表达式、xpath和bs4和pyquery四种方法来进行操作，接下来的一篇文章，我们html5lib库来进行实现，帮助大家巩固下Python选择器基础。

最后感谢粉丝【O|】提问，感谢【dcpeng】、【月神】、【甯同学】、【凡人不烦人】等人参与学习交流。

#爬虫#html#html5#xslt & xpath#正则表达式