标签：encoding 地方 main os x pat try ext presto 相关
由于要抓取的是悦音台mv的排行榜，这个排行榜是实时更新的，如果要求不停地抓取，这将有可能导致悦音台官方采用反爬虫的技术将ip给封掉。所以这里要应用一些反爬虫相关知识。
目标网址：http://vchart.yinyuetai.com/vchart/trends?area=ML
网站结构：
上面红线圈出来的地方都是需要注意的小细节：
首先 排行榜分为，内地、港台、欧美、韩国、日本五个地区
分别将其点开能够观察到url的变化为在最尾部加了一个参数：area=地区参数
很容易的就能知道参数列表：[‘ML‘,‘HT‘,‘US‘,‘JP‘,‘KR‘] 分别对应着内地、香港、欧美、日本、以及韩国。发现这个规律之后，只要通过简单的对url的变化就能多次请求，筛选出想要的信息。
其次 可以发现，有的mv分数是呈现上升趋势，有的mv的分数是成下降趋势，这在网页的代码结构稍有不同。
最后，可以看到 这里mv的排行榜数据是实时更新的，所以爬虫程序要不停的在后台运行才能保证获得的数据是最新的，这样就会引起官方人员的注意，他们的反爬虫技术有可能就会将爬虫的IP封掉。
完整代码：
import requests from bs4 import BeautifulSoup import random def get_html(url): try: r = requests.get(url,timeout=30) r.raise_for_status r.encoding = ‘utf-8‘ return r.text except: return ‘error‘ def get_agent(): ‘‘‘ 模拟header的user-agent字段， 返回一个随机的user-agent字典类型的键值对 ‘‘‘ agents = [‘Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;‘, ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv,2.0.1) Gecko/20100101 Firefox/4.0.1‘, ‘Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11‘, ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11‘, ‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)‘] fakeheader = {} fakeheader[‘User-agent‘] = agents[random.randint(0, len(agents))] return fakeheader def get_proxy(): ‘‘‘ 简单模拟代理池 返回一个字典类型的键值对， ‘‘‘ proxy = ["http://116.211.143.11:80", "http://183.1.86.235:8118", "http://183.32.88.244:808", "http://121.40.42.35:9999", "http://222.94.148.210:808"] fakepxs = {} fakepxs[‘http‘] = proxy[random.randint(0, len(proxy))] return fakepxs def get_content(url): # 先打印一下表头 if url[-2:] == ‘ML‘: print(‘内地排行榜‘) elif url[-2:] == ‘HT‘: print(‘香港排行榜‘) elif url[-2:] == ‘US‘: print(‘欧美排行榜‘) elif url[-2:] == ‘KR‘: print(‘韩国排行榜‘) else: print(‘日本排行榜‘) html = get_html(url) soup = BeautifulSoup(html,‘lxml‘) li_list = soup.find_all(‘li‘,class_=‘vitem J_li_toggle_date ‘) for li in li_list: content = {} try: # 判断分数升降 if li.find(‘h3‘,class_=‘desc_score‘): content[‘分数‘] = li.find(‘h3‘,class_=‘desc_score‘).text else: content[‘分数‘] = li.find(‘h3‘,class_=‘asc_score‘).text content[‘排名‘] = li.find(‘div‘,class_=‘top_num‘).text content[‘名字‘] = li.find(‘a‘,class_=‘mvname‘).text content[‘发布时间‘] = li.find(‘p‘,class_=‘c9‘).text[5:] content[‘歌手‘] = li.find(‘a‘,class_=‘special‘).text except: return None print(content) def main(): base_url = ‘http://vchart.yinyuetai.com/vchart/trends?area=‘ suffix = [‘ML‘,‘HT‘,‘US‘,‘JP‘,‘KR‘] for suff in suffix: url = base_url + suff print() get_content(url) if __name__ == ‘__main__‘: main()
输出结果：
标签：encoding 地方 main os x pat try ext presto 相关
原文地址：http://www.cnblogs.com/Josiah-Lin/p/7244682.html
