数据向：我到底是谁的歌迷？

来源：互联网发布：java replaceall \\s 编辑：程序博客网时间：2024/04/29 04:44

MacOS Sierra 10.12.1
Python 2.7
selenium 3.4.3
phantomjs 忘了

前言

发现自己有时候比挖掘别人来的更加有意义，自己到底喜欢谁的歌，自己真的知道么？习惯不会骗你

搭建爬虫环境

1.安装selenium

pip install selenium# anaconda环境的可用conda install selenium# 网速不好的可用到https://pypi.python.org/pypi/selenium下载压缩包，解压后使用python setup.py install

2.安装Phantomjs

Mac版本

步骤一下载包：去这里下载对应版本http://phantomjs.org/download.html步骤二解压：双击就行，用unzip这都无所谓步骤三切入路径:cd ~/Downloads/phantomjs-2.1.1-macosx/bin  # 我下的路径的路径是download，版本不一，注意修改步骤四：chmod +x phantomjs步骤五: 配置环境，因为我装的的zsh，所以文件需要修改的是~/.zshrc这个文件，加上这句话export PATH="/Users/mrlevo/Downloads/phantomjs-2.1.1-macosx/bin/:$PATH"，然后source ~/.zshrc 即可生效(没用zsh的同学，直接修改的文件时~/.bash_profile，添加内容和上述一致)查看是否生效：phantomjs -v  # 有信息如 2.1.1 则生效

mac若遇到问题请参考PhantomJS 安装

Win版本

官网http://phantomjs.org/下载PhantomJS解压后如下图所示：

调用时可能会报错“Unable to start phantomjs with ghostdriver”如图：

此时可以设置下Phantomjs的路径，同时如果你配置了Scripts目录环境变量，可以解压Phantomjs到该文件夹下。可参考Selenium with GhostDriver in Python on Windows - stackoverflow，整个win安装过程可参考在Windows下安装PIP+Phantomjs+Selenium],Mac和Linux/Ubuntu 下可参考[解决：Ubuntu(MacOS)+phantomjs+python的部署问题

测试安装是否成功

# 进入python环境后执行如下操作# win下操作>>> from selenium import webdriver  # pip install selenium>>> driver_detail = webdriver.PhantomJS(executable_path="F:\Python\phantomjs-1.9.1-windows\phantomjs.exe")>>> driver_detail.get('https://www.baidu.com')>>> news = driver_detail.find_element_by_xpath("//div[@id='u1']/a")>>> print news.text新闻>>> driver_detail.quit() # 记得关闭，不然耗费内存------------------------------------------------------------------------# mac下操作>>> from selenium import webdriver  # pip install selenium>>> driver_detail = webdriver.PhantomJS()>>> driver_detail.get('https://www.baidu.com')>>> news = driver_detail.find_element_by_xpath("//div[@id='u1']/a")>>> print news.text新闻>>> driver_detail.quit() # 记得关闭，不然耗费内存

爬取动态数据

获取自己的id号，这个可以自己登陆自己的网易云音乐后获得，就是id=后面那个值

这里写图片描述

构造爬取的id，因为我发现，每个人的id只要被获取到，他的歌单都是公开的！！！这就节省了自动登录的一步，而且，我还有个大胆的想法，哈哈哈，我还要搞个大新闻！这次先不说~

墙裂推荐先阅读该博客掌握获取元素方法：Python爬虫 Selenium实现自动登录163邮箱和Locating Elements介绍

# -*- coding: utf-8 -*-# Author:哈士奇说喵# Create:20170707import tracebackfrom selenium import webdriverimport selenium.webdriver.support.ui as uifrom selenium.webdriver.common.desired_capabilities import DesiredCapabilitiesimport timeimport random# 存储为文本的子函数def write2txt(data,path):    f = open(path,"a")    f.write(data)    f.write("\n")    f.close()# 获取该id喜欢音乐的列表def catchSongs(url_id,url):    user = url_id.split('=')[-1].strip()      print 'excute user:',user    driver = webdriver.PhantomJS()#,executable_path='/Users/mrlevo/phantomjs-2.1.1-macosx/bin/phantomjs')  # 注意填上路径    driver.get(url)    driver.switch_to_frame('g_iframe')  # 网易云的音乐元素都放在框架内！！！！先切换框架    try:        wait = ui.WebDriverWait(driver,15)        wait.until(lambda driver: driver.find_element_by_xpath('//*[@class="j-flag"]/table/tbody'))  # 等待元素渲染出来        try:            song_key = 1            wrong_time = 0            while wrong_time < 5:  # 不断获取歌信息，假定5次获取不到值，就判无值可获取，跳出循环                try:                    songs = driver.find_elements_by_xpath('//*[@class="j-flag"]/table/tbody/tr[%s]'%song_key)                    info_ = songs[0].text.strip().split("\n")                    if len(info_) == 5:                        info_.insert(2,'None') # 没有MV选项的进行插入None                    new_line = '%s|'%user+'|'.join(info_)                    song_key +=1                    #new_line = "%s|%s|%s|%s|%s|%s|%s"%(user,info_[0],info_[1],info_[2],info_[3],info_[4],info_[5])                    print new_line                    write2txt(new_line.encode('utf-8'),user)  # mac写入文件需要改变字符，以id命名的文件，存储在执行脚本的当前路径下，在win下请去掉编.endcode('utf-8')                except Exception as ex:                    wrong_time +=1                    # print ex        except Exception as ex:            pass    except Exception as ex:        traceback.print_exc()    finally:        driver.quit()# 获取id所喜爱的音乐的urldef catchPlaylist(url):    driver = webdriver.PhantomJS()#,executable_path='/Users/mrlevo/phantomjs-2.1.1-macosx/bin/phantomjs')  # 注意填上路径    driver.get(url)    driver.switch_to_frame('g_iframe')  # 网易云的音乐元素都放在框架内！！！！先切换框架    try:        wait = ui.WebDriverWait(driver,15)        wait.until(lambda driver: driver.find_element_by_xpath('//*[@class="m-cvrlst f-cb"]/li[1]/div/a'))  # 根据xpath获取元素        urls = driver.find_elements_by_xpath('//*[@class="m-cvrlst f-cb"]/li[1]/div/a')        favourite_url = urls[0].get_attribute("href")    except Exception as ex:        traceback.print_exc()    finally:        driver.quit()    # print favourite_url    return favourite_urlif __name__ == '__main__':    for url in ['http://music.163.com/user/home?id=67259702']:  # 这里把自己的id替换掉，想爬谁的歌单都可以，只要你有他的id        time.sleep(random.randint(2, 4)) # 随机休眠时间2~4秒        url_playlist = catchPlaylist(url)        time.sleep(random.randint(1, 2))        catchSongs(url,url_playlist)

不出意外的话，你的执行脚本的目录下会产生一个以你的id命名的文件，里面打开应该是这样的

67259702|2|因为了解|None|04:08|汪苏泷|慢慢懂67259702|3|潮鳴り|None|02:37|折戸伸治|CLANNAD ORIGINAL SOUNDTRACK67259702|4|每个人都会|None|02:58|方大同|橙月 Orange Moon67259702|5|Don't Cry (Original)|MV|04:44|Guns N' Roses|Greatest Hits67259702|6|妖孽（Cover：蒋蒋）|None|02:58|醉影An|醉声梦影67259702|7|好好说再见（Cover 陶喆 / 关诗敏）|None|04:06|锦零/疯疯|zero67259702|8|好好说再见（cover陶喆）|None|03:34|AllenRock|WarmCovers ·早# 这边分别爬取的数据结构是： id|歌次序|歌名|是否有MV|时长|歌手|专辑

Show数据-ROUND1

接下来就是处理自己下好的自己的歌单了，为了方便起见，我在构造爬取代码的时候，已经构造的比较好了，这也就帮助大家减少了数据预处理的时间了，一般来说，数据不会那么干净的。

我只是做了最简单的歌手词云的例子，数据比较丰富的情况下，自己处理吧，想做什么统计都可以，或许以后我会补上可视化相关的一些例子

自定义遮罩层版本

# -*- coding: utf-8 -*-# 如果还不清楚词云怎么搞，请参考这里https://mp.weixin.qq.com/s/0Bw8QUo1YfWZR_Boeaxu_Q，或者自行百度，很简单的一个包import numpy as npimport PIL.Image as Imagefrom wordcloud import WordCloud, ImageColorGeneratorimport matplotlib.pyplot as plt# 统计词频# win的用户，把解码去掉即可，因为当时mac写入的文件有编码，所以读出来需要解码def statistics(lst):      dic = {}      for k in lst:          if not k.decode('utf-8') in dic:dic[k.decode('utf-8')] = 0          dic[k.decode('utf-8')] +=1      return dic  path = '67259702'  # 自己路径自己搞定list_ = []with open(path,'r') as f:    for line in f:        list_.append(line.strip().split('|')[-2].strip())dict_ = statistics(list_)# the font from github: https://github.com/adobe-fontsfont = r'SimHei.ttf'coloring = np.array(Image.open("screenshot.png"))  # 遮罩层自己定义，可选自己的图片wc = WordCloud(background_color="white",               collocations=False,                font_path=font,               width=1400,                height=1400,               margin=2,               mask=np.array(Image.open("screenshot.png"))).generate_from_frequencies(dict_)# 这里采用了generate_from_frequencies(dict_)的方法，里面传入的值是{‘歌手1’:5,‘歌手2’:8,},分别是歌手及出现次数，其实和jieba分词# 之后使用generate(text)是一个效果，只是这里的text已经被jieba封装成字典了image_colors = ImageColorGenerator(np.array(Image.open("screenshot.png")))plt.imshow(wc.recolor(color_func=image_colors))plt.imshow(wc)plt.axis("off")plt.show()wc.to_file('mymusic2.png')  # 把词云保存下来

这里写图片描述

方块版本

# -*- coding: utf-8 -*-# 稍微修改下参数，就是另一幅图，这是没有遮罩层的import numpy as npimport PIL.Image as Imagefrom wordcloud import WordCloud, ImageColorGeneratorimport matplotlib.pyplot as plt# 统计词频def statistics(lst):      dic = {}      for k in lst:          if not k.decode('utf-8') in dic:dic[k.decode('utf-8')] = 0          dic[k.decode('utf-8')] +=1      return dic  path = '67259702'  # 自己路径自己搞定list_ = []with open(path,'r') as f:    for line in f:        list_.append(line.strip().split('|')[-2].strip())dict_ = statistics(list_)# the font from github: https://github.com/adobe-fontsfont = r'SimHei.ttf'coloring = np.array(Image.open("screenshot.png"))wc = WordCloud(               collocations=False,                font_path=font,               width=1400,                height=1400,               margin=2,               ).generate_from_frequencies(dict_)# 这里采用了generate_from_frequencies(dict_)的方法，里面传入的值是{‘歌手1’:5,‘歌手2’:8,},分别是歌手及出现次数，其实和jieba分词# 之后使用generate(text)是一个效果，只是这里的text已经被jieba封装成字典了image_colors = ImageColorGenerator(np.array(Image.open("screenshot.png")))plt.imshow(wc)plt.axis("off")plt.show()wc.to_file('mymusic2.png')  # 把词云保存下来

这里写图片描述

SHOW数据-ROUND2

刚看到个好玩的，迫不及待的试了下，这是关于语种翻译的API接口，阿里云买的，0.01=1000条，买买买，买来玩玩试试自己歌曲语种

# -*- coding:utf-8 -*-# 调用的阿里云的API接口实现语种翻译# API官网：https://market.aliyun.com/products/57124001/cmapi010395.html?spm=5176.730005.0.0.UrR9bO#sku=yuncode439500000import urllib, urllib2, sysimport ssldef Lang2Country(text):    host = 'https://dm-12.data.aliyun.com'    path = '/rest/160601/mt/detect.json'    method = 'POST'    appcode = 'xxxxx'  # 购买后提供的appcode码    querys = ''    bodys = {}    url = host + path    bodys['q'] = text    post_data = urllib.urlencode(bodys)    request = urllib2.Request(url, post_data)    request.add_header('Authorization', 'APPCODE ' + appcode)    # 根据API的要求，定义相对应的Content-Type    request.add_header('Content-Type', 'application/x-www-form-urlencoded; charset=UTF-8')    ctx = ssl.create_default_context()    ctx.check_hostname = False    ctx.verify_mode = ssl.CERT_NONE    response = urllib2.urlopen(request, context=ctx)    content = response.read()    if (content):        # print(content)        return content    else:        return None# # 67259702|1|Claux - 水之畔(8lope Remix) (feat. 陶心瑶)|None|02:44|8lope|水之畔(feat. 陶心瑶) (8lope Remix)list_songs = []list_songwithsinger = []with open('67259702') as f:  # 文件名写上次爬下来的    for line in f:        line_split = line.split('|')        list_songs.append(line_split[2])        list_songwithsinger.append(line_split[2]+line_split[5])# 调用接口进行语种识别dict_lang = {}for i in range(537):    try:        content = Lang2Country(list_songwithsinger[i])        lag_ = json.loads(content)['data']['language']        if lag_ not in dict_lang:            dict_lang[lag_]=0        dict_lang[lag_] +=1    except:        passprint dict_lang # {u'ru': 1, u'fr': 9, u'en': 111, u'zh': 259, u'pt': 21, u'ko': 8, u'de': 7, u'tr': 15, u'it': 47, u'id': 2, u'pl': 7, u'th': 1, u'nl': 10, u'ja': 17, u'es': 20}

ok,数据准备好了，接下来可视化就好了！这次我用Echarts，换个口味的就不用云词了，来个统计效果好看点的！不会Echarts？看这里→_→@Mrlevo520–Echarts入门(零基础小白教程)

这里写图片描述

# 进入该网页：http://echarts.baidu.com/demo.html#pie-simple# 然后把里面的内容替换掉就行option = {    title : {        text: '哈士奇说喵喜欢的音乐',        x:'center'    },    tooltip : {        trigger: 'item',        formatter:'{b} : {c} ({d}%)'     },    legend: {        orient: 'vertical',        left: 'left',        data:['中文','英文','俄语','法语','葡萄牙语','韩语','德语','土耳其语','意大利语']    },    series : [        {            name: '访问来源',            type: 'pie',            radius : '55%',            center: ['50%', '60%'],            itemStyle: {                normal: {label:{                  show:true,                  formatter:'{b} : {c} ({d}%)'              },                }},            data:[                {value:259, name:'中文'},                {value:111,name:'英文'},                {value:1, name:'俄语'},                {value:9, name:'法语'},                {value:21, name:'葡萄牙语'},                {value:8, name:'韩语'},                {value:7, name:'德语'},                {value:15, name:'土耳其语'},                {value:47, name:'意大利语'},                {value:2, name:'印尼语'},                {value:7, name:'波兰语'},                {value:1, name:'泰语'},                {value:10, name:'荷兰语'},                {value:17, name:'日语'},                {value:20, name:'西班牙语'},            ],        }    ]};

Pay Attention

这里遇到的最大问题，就是网易云的网页竟然还iframe框来做！！！不切入那个内联框架连phantomjs都无能为力！！这是最值得注意的一点，即使你找对了元素，也可能获取不到值！
如果是win的计算机，在 driver = webdriver.PhantomJS()里面填上phantomjs.exe的路径，上面抓取数据的代码里面有两个需要引擎需要填写路径
如果有打印出字段，但是记录的数据为0KB，那么是文件没有写进去，对于win的用户，把代码写入的部门，编码方式去掉即可
有些win的小伙伴反应路径都加载对了，但是还是找不到exe，那么请在路径前面加r比如 executable_path=r"F:\Python\phantomjs-1.9.1-windows\phantomjs.exe"

结论

果然一下子就看出是上个世纪九十年代的人（：，还有就是，音乐不分国界，就是动感~

最后

关于phantomjs和selenium的做过很多，大家可以自己参考我以前的几篇博客:用python做些有趣的事情,这次也只是我要搞的大事情里面的其中一件，抽离出来，要是专栏能申请下来，我会为网易云音乐专门分析一波，毕竟网易云音乐做的的确不错

致谢

@爱搞事情的自己

@Eastmoun–在Windows下安装PIP+Phantomjs+Selenium

@mrlevo520–Python+Selenium+PIL+Tesseract真正自动识别验证码进行一键登录

@Alfred–一件有趣的事：用Python 爬了爬自己的微信朋友
@Eastmount–Python爬虫 Selenium实现自动登录163邮箱和Locating Elements介绍

附录

对照表

这里写图片描述

阅读全文

4 0