python爬取网易云周杰伦所有专辑，歌曲，评论，并完成可视化分析

2022-07-09 08:12:48

　　这篇文章适合于python爱好者，里面可能很多语句是冗长的，甚至可能有一些尚未发现的BUG，这个伴随着我们继续学习来慢慢消解吧。接下来我把里面会用到的东西在这里做一个简单总结吧：本文用到了两门解释性编程语言python3 + bash(shell),为什么用shell，我会在后面具体分析。用到的模块requests,re,os,jieba,glob,json,lxml,pyecharts,heapq,collections.看到这么多模块，大家一定很头痛，其实最开始我也没想到会用到这么多。不过随着程序的进行，这些模块自然的就出现在程序里，初学者对每一个模块没必要去特别了解。但是用法需要掌握。话不多说，接下来就进入我们的正题吧。

一.找到需要爬取的内容,分析网页，抓包查看交互内容

　　首先我们先进入到我们需要抓取的内容的地址。http://music.163.com/# 这是网易云音乐的首页，我们的目的是抓取周杰伦的所有歌曲，歌词，已经评论，那我们在搜索处输入周杰伦得到这张图，我们发现这里面只有最多50首歌（很多人分析网易云的歌曲就只选取TOP50），我们想要的是全部，所以这个URL不符合要求，我们继续寻找其他的URL地址。我在这里花了不少时间，最后找到了一个间接的方法，首先抓取周杰伦的全部专辑信息，然后通过专辑信息再去寻找全部歌曲（目前在网易云上我还没发现什么方法可以直接获取全部歌曲名字）。好了确定好了方针，我们第一步抓取所有专辑进入http://music.163.com/#/artist/album?id=6452如下图所示！在这里面我们可以看到周杰伦所有专辑信息点击下一页观察url发现变成了 http://music.163.com/#/artist/album?id=6452&limit=12&offset=12 这样！！！所以有点html基础的人都知道这里的limit=12是每页显示专辑的数量。OK，接下来我们就来获取专辑吧！我们在页面输入http://music.163.com/#/artist/album?id=6452&limit=100&offset=12（改成100 避免多次抓取，一次抓去完），在谷歌的抓包工具（F12)里面查看交互信息发现如下：

是的你没看错，这就是我们想要的信息，那事情就变得简单的，我们没必要用复杂的工具比如（selenium）去加载整个页面，（事实上，如果还没想到抓取歌曲的方法，我估计就得用它了）,我们再看header里面有什么这里面的string我们不用管了，因为它已经在我们的url里面了，我们只需要看request headers 这个就是我们给服务器发送的东西，发送之后，服务器返回给我们的就是network里面的信息。好，接下来我们伪造浏览器发送请求。具体代码如下：

    def GetAlbum(self):

        urls="http://music.163.com/artist/album?id=6452&limit=100&offset=0"

        headers={

        'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',

        'Accept-Encoding':'gzip, deflate, br',

        'Accept-Language':'zh-CN,zh;q=0.9',

        'Connection':'keep-alive',

        'Cookie':'_iuqxldmzr_=32; _ntes_nnid=dc7dbed33626ab3af002944fabe23bc4,1524151830800; _ntes_nuid=dc7dbed33626ab3af002944fabe23bc4; __utmc=94650624; __utmz=94650624.1524151831.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utma=94650624.1505452853.1524151831.1524151831.1524176140.2; WM_TID=RpKJQQ90pzUSYfuSWgFDY6QEK1Gb4Ulg; JSESSIONID-WYYY=ZBmSOShrk4UKH5K%5CVasEPuc0b%2Fq6m5eAE91jWCmD6UpdB2y4vbeazO%2FpQK%5CgiBW0MUDDWfB1EuNaV5c4wIJZ08hYQKDhpsHnDeMAgoz98dt%2B%2BFfhdiiNJw9Y9vRR5S4GU%2FziFp%2BliFX1QTJj%2BbaIGD3YxVzgumklAwJ0uBe%2FcGT6VeQW%3A1524179765762; __utmb=94650624.24.10.1524176140',

        'Host':'music.163.com',

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

        'Upgrade-Insecure-Requests':'',

        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'

        }

        html = requests.get(urls,headers=headers)

        html1=etree.HTML(html.text)

        html_data=html1.xpath('//div[@class="u-cover u-cover-alb3"]')[0]

        pattern = re.compile(r'<div class="u-cover u-cover-alb3" title=(.*?)>')

        items = re.findall(pattern, html.text)

        cal=0

        # 首先删除这个文件，要不然每次都是追加

        if(os.path.exists("专辑信息.txt")):

            os.remove("专辑信息.txt")

        #删除文件避免每次都要重复写入

        if (os.path.exists("专辑歌曲信息.txt")):

            os.remove("专辑歌曲信息.txt")

        for i in items:

            cal+=1

            #这里需要注意i是有双引号的，所以需要注意转换下

            p=i.replace('"','')

            #这里在匹配里面使用了字符串，注意下

            pattern1=re.compile(r'<a href="/album\?id=(.*?)" class="tit s-fc0">%s</a>'%(p))

            id1= re.findall(pattern1,html.text)

        #   print("专辑的名字是:%s!!专辑的ID是%s:"%(i,items1))

            with open("专辑信息.txt",'a') as f:

                f.write("专辑的名字是:%s!!专辑的ID是%s \n:"%(i,id1))

                f.close()

                self.GetLyric1(i,id1)

      #  print("总数是%d"%(cal))

        print("获取专辑以及专辑ID成功！！！！！")

这里面用到了xpath来找到对应标签里面数据，然后把数据放在文件里面。代码不重要，思想懂了就行（代码单独执行可行）

执行结果如下

二.抓取歌曲信息。

　　通过上面我们已经抓取到了专辑的信息，接下来我们就通过专辑，来获取歌曲信息

看这幅图，我想你已经懂了，页面组成http://music.163.com/#/album?id=！！！！！！这里填写专辑ID，我们在network里面找到了所有歌曲的信息接下来我们看header同样的道理我们通过伪造方式发送信息，获取歌曲信息！！直接上代码

 def GetLyric1(self,album,id1):

        urls1 = "http://music.163.com/#/album?id="

        urls2 = str(id1)

        urls3= urls1+urls2

        #将不要需要的符号去掉

        urls=urls3.replace("[","").replace("]","").replace("'","").replace("#/","")

        headers={

            'Cookie': '_iuqxldmzr_=32; _ntes_nnid=dc7dbed33626ab3af002944fabe23bc4,1524151830800; _ntes_nuid=dc7dbed33626ab3af002944fabe23bc4; __utmz=94650624.1524151831.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utma=94650624.1505452853.1524151831.1524176140.1524296365.3; __utmc=94650624; WM_TID=RpKJQQ90pzUSYfuSWgFDY6QEK1Gb4Ulg; JSESSIONID-WYYY=7t6F3r9Uzy8uEXHPnVnWTXRP%5CSXg9U3%5CN8V5AROB6BIe%2B4ie5ch%2FPY8fc0WV%2BIA2ya%5CyY5HUBc6Pzh0D5cgpb6fUbRKMzMA%2BmIzzBcxPcEJE5voa%2FHA8H7TWUzvaIt%2FZnA%5CjVghKzoQXNM0bcm%2FBHkGwaOHAadGDnthIqngoYQsNKQQj%3A1524299905306; __utmb=94650624.21.10.1524296365',

            'Host': 'music.163.com',

            'Referer': 'http://music.163.com/',

            'Upgrade-Insecure-Requests': '',

            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'

        }

        html = requests.get(urls, headers=headers)

        html1 = etree.HTML(html.text)

       # soup = BeautifulSoup(html1, 'html.parser', from_encoding='utf-8')

       # tags = soup.find_all('li', class_="have-img")

        html_data = html1.xpath('//ul[@class="f-hide"]//a')

        for i in html_data:

            #注意这个用法

            html_data1=i.xpath('string(.)')

            #获取歌曲的id

            html_data2=str(html_data1)

            pattern1=re.compile(r'<li><a href="/song\?id=(\d+?)">%s</a></li>'%(html_data2))

            items = re.findall(pattern1,html.text)

  #          print("歌曲的名称为: %s"%(html_data2))

 #           print("歌曲的id为: %s"%(items))

            with open("专辑歌曲信息.txt", 'a') as f:

                print(len(items))

                if (len(items) > 0):

                    f.write("歌曲的名字是: %s!!歌曲的ID是%s \n" % (html_data2, items))

                    f.close()

                print("获取歌曲 %s 以及歌曲的ID %s写入文件成功"%(html_data2, items))

            #http://music.163.com/#/song?id=185617

               # if(len())

    def GetLyric2(self):

        #首先删除原来的文件，避免重复写入

        for i in glob.glob("*热评*"):

            os.remove(i)

        for i in glob.glob("*歌曲名*"):

            os.remove(i)

        #直接读取所有内容

        file_object=open("专辑歌曲信息.txt",)

        list_of_line=file_object.readlines()

        aaa=1

        namelist = ""

        for i in  list_of_line:

            # 歌曲的名字是: 同一种调调!!歌曲的ID是['186020']

            pattern1 = re.compile(r'歌曲的名字是: (.*?)!!歌曲的ID是')

            pattern2 = re.compile(r'歌曲的ID是\[(.*?)\]')

            items1 = str(re.findall(pattern1, i)).replace("[","").replace("]","").replace("'","")

            items2 = str(re.findall(pattern2, i)).replace("[","").replace("]","").replace('"',"").replace("'","")

            headers = {

                'Request URL': 'http://music.163.com/weapi/song/lyric?csrf_token=',

                'Request Method': 'POST',

                'Status Code': '200 OK',

                'Remote Address': '59.111.160.195:80',

                'Referrer Policy': 'no-referrer-when-downgrade'

            }

      #      http://music.163.com/api/song/lyric?id=186017&lv=1&kv=1&tv=-1

            urls="http://music.163.com/api/song/lyric?"+"id="+str(items2)+'&lv=1&kv=1&tv=-1'

       #     urls = "http://music.163.com/api/song/lyric?id=186018&lv=1&kv=1&tv=-1"

            #print(urls)

            html = requests.get(urls, headers=headers)

            json_obj = html.text

            j = json.loads(json_obj)

            try:

                lrc = j['lrc']['lyric']

                pat = re.compile(r'\[.*\]')

                lrc = re.sub(pat,"",lrc)

                lrc = lrc.strip()

                print(lrc)

                lrc = str(lrc)

                with open("歌曲名-"+items1+".txt", 'w',encoding='utf-8') as f:

                    f.write(lrc)

                aaa+=1

                namelist=namelist + items1 + ".txt"+","

#调用获取评论方法，并且把热评写入文件

                self.GetCmmons(items1,items2)

            except:

                print("歌曲有错误 %s !!"%(items1))

            #读取所有文件，并且把所有的信息输入到一个文件里面去

           # html1 = etree.HTML(html.text)

        print("歌曲一共爬取了%s首 "%(aaa))

        print(namelist)

上面需要注意：xpath来获取需要的信息，利用正则来获取ID（其实有很多方法）

结果如下，

同样的方法！！我们打开一首歌曲一样的道理，我们分析network来获取我们需要的信息歌词，评论！！直接上代码

 def GetCmmons(self,name,id):

        self.name=name

        self.id=id

        #删除原来的文件 避免重复爬取

      #  urls="http://music.163.com/weapi/v1/resource/comments/R_SO_4_415792918?csrf_token="

        urls="http://music.163.com/api/v1/resource/comments/R_SO_4_"+str(id)

        headers={

            'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',

            'Accept-Encoding': 'gzip, deflate',

            'Accept-Language': 'zh-CN,zh;q=0.9',

            'Cache-Control': 'max-age=0',

            'Connection': 'keep-alive',

            'Cookie': '_iuqxldmzr_=32; _ntes_nnid=dc7dbed33626ab3af002944fabe23bc4,1524151830800; _ntes_nuid=dc7dbed33626ab3af002944fabe23bc4; __utmz=94650624.1524151831.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); WM_TID=RpKJQQ90pzUSYfuSWgFDY6QEK1Gb4Ulg; JSESSIONID-WYYY=BgqSWBti98RpkHddEBZcxnxMIt4IdbCqXGc0SSxKwvRYlqbXDAApbgN%2FQWQ8vScdXfqw7adi2eFbe30tMZ13mIv9XOAv8bhrQYC6KRajksuYWVvTbv%2BOu5oCypc4ylh2Dk5R4TqHgRjjZgqFbaOF73cJlSck3lxcFot9jDmE9KWnF%2BCk%3A1524380724119; __utma=94650624.1505452853.1524151831.1524323163.1524378924.5; __utmc=94650624; __utmb=94650624.8.10.1524378924',

            'Host': 'music.163.com',

            'Upgrade-Insecure-Requests': '',

            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'

        }

        html = requests.get(urls,headers=headers)

        html.encoding= 'utf8'

      #  html_data = html1.xpath('//div[@class="u-cover u-cover-alb3"]')[0]

       # pattern = re.compile(r'<div class="u-cover u-cover-alb3" title=(.*?)>')

        #items = re.findall(pattern, html.text)

        #print(html.text)

        #使用json格式化输出

        json_obj = html.text

        j = json.loads(json_obj)

        i=j['hotComments']

        for uu in  i:

            print

            username=uu["user"]['nickname']

            likedCount1 = str(uu['likedCount'])

            comments=uu['content']

            with open(name + "的热评hotComment" +".txt" , 'a+',encoding='utf8') as f:

                f.write("用户名是 "+username+"\n")

                f.write("用户的评论是 "+comments+"\n")

                f.write("被点赞的次数是  " + str(likedCount1) +"\n")

                f.write("----------华丽的的分割线-------------"+"\n")

                f.close()

上面需要注意的是：利用json获取需要的数据(至少比正则快点)

结果如下:

到这里！！我们已经完成了所有用数据的爬取，数据大体如下

三数据分析，可视化

　　如果数据不利用，就如同一张白纸一样，毫无意义。接下来我们就对数据进行全面的分析

第一步，我们先进行歌词的分析，先把数据合并到一个文件里

 def MergedFile(self):

        aaa=0

        for i in glob.glob("*歌曲名*"):

            file_object = open(i,'r',encoding='UTF-8')

            list_of_line = file_object.readlines()

            for p in list_of_line:

                if  "作词" in p  or "作曲" in p or "混音助理" in p or "混音师" in p or "录音师" in p or "执行制作" in p  or  "编曲" in p or "制作人" in p or "录音工程" in p or "录音室" in p or "混音录音室" in p or "混音工程" in p or "Programmer" in p or p == "\n" or "和声" in p  or "吉他" in p or "录音助理" in p or "陈任佑鼓" in p or "周杰伦" in p:

                    aaa+=1

                    print(p)

                else:

                    with open ("allLyric"+".txt","a",encoding='UTF-8') as f :

                        f.write(p)

                        f.write("\n")

            print(aaa)

          #合并歌曲

        file1 = open('allLyric.txt', 'r', encoding='utf-8')  # 要去掉空行的文件

        file2 = open('allLyric1.txt', 'w', encoding='utf-8')  # 生成没有空行的文件

        try:

            for line in file1.readlines():

                if line == '\n':

                    line = line.strip("\n")

                file2.write(line)

        finally:

            file1.close()

            file2.close()

        print("合并歌词文件完成")

上面需要注意的是：我们合并数据的时候，可以选择性的删除一些无用数据（也就是上面那一大串for,麻瓜式的删除）

结果如下

OK 歌词清洗完成之后，我们对周杰伦歌曲进行情绪化分析，在进行情绪化分析的时候，有很多工具可以选择，我这边选择的是SnowNLP这个三方工具，具体代码如下:

    def EmotionAnalysis(self):

        from snownlp import SnowNLP

        from pyecharts import Bar

        xzhou=[]

        yzhou=[]

        for i in  glob.glob("*歌曲名*"):

            count=0

            allsen=0

            with open(i,'r', encoding='utf-8') as fileHandel:

                fileList = fileHandel.readlines()

                for p in fileList:

                    if  "作词" in p  or "作曲" in p or "鼓" in p  or "混音师" in p or "录音师" in p or "执行制作" in p  or  "编曲" in p or "制作人" in p or "录音工程" in p or "录音室" in p or "混音录音室" in p or "混音工程" in p or "Programmer" in p or p == "\n":

                        pass

                    else:

                        s = SnowNLP(p)

                      #  print(s.sentences[0])

                        s1 = SnowNLP(s.sentences[0])

                        #print(type(s1))

                        count+=1

                        allsen+=s1.sentiments

            i=str(i)

            xzhou1 = i.split("-", 1)[1].split(".",1)[0]

            xzhou.append(xzhou1)

            avg=int(allsen)/count

            yzhou.append(avg)

            #print("%s这首歌的情绪为%s"%(i,avg))

            fileHandel.close()

        bar = Bar("柱状图数据堆叠示例")

        bar.add("周杰伦歌曲情绪可视化", xzhou, yzhou, is_stack=True,xaxis_interval=0)

        bar.render(r"D:\学习\untitled4\allpicture\周杰伦歌曲情绪全部.html")

        #显示最好的前五首歌

        import  heapq

        yzhou1 = heapq.nlargest(10, yzhou)

        temp = map(yzhou.index, heapq.nlargest(10, yzhou))

        temp = list(temp)

        xzhou1 = []

        for i in temp:

            xzhou1.append(xzhou[i])

        # 情绪前十首歌个图

        bar = Bar("周杰伦歌曲情绪较好前十首歌")

        bar.add("周杰伦歌曲情绪可视化", xzhou1, yzhou1, is_stack=True)

        bar.render(r"D:\学习\untitled4\allpicture\周杰伦歌曲最积极情绪top10.html")

        #显示最差的十首歌

        yzhou1 = heapq.nsmallest(10, yzhou)

        temp = map(yzhou.index, heapq.nsmallest(10, yzhou))

        temp = list(temp)

        xzhou1 = []

        for i in temp:

            xzhou1.append(xzhou[i])

       # print(xzhou1)

        #print(yzhou1)

        # 情绪前十首歌个图

        bar = Bar("周杰伦歌曲情绪较差前十首歌")

        bar.add("周杰伦歌曲情绪可视化",xzhou1, yzhou1,xaxis_interval=0,xzhou1_label_textsize=6)

        bar.render(r"D:\学习\untitled4\allpicture\周杰伦歌曲最消极情绪top10.html")

        print(xzhou1)

下面完成数据词频各种分析,这些基于数据source的统计用很多方法，我这边做为小白只能用比较傻瓜一点的，具体代码如下：

  #定义结巴分词的方法以及处理过程

    def splitSentence(self,inputFile, outputFile):

        fin = open(inputFile, 'r', encoding='utf-8')

        fout = open(outputFile, 'w', encoding='utf-8')

        for line in fin:

            line = line.strip()

            line = jieba.analyse.extract_tags(line)

            outstr = " ".join(line)

            fout.write(outstr + '\n')

        fin.close()

        fout.close()

        #下面的程序完成分析前十的数据出现的次数

        f = open("分词过滤后.txt", 'r', encoding='utf-8')

        a = f.read().split()

        b = sorted([(x, a.count(x)) for x in set(a)], key=lambda x: x[1], reverse=True)

        print(sorted([(x, a.count(x)) for x in set(a)], key=lambda x: x[1], reverse=True))

#输出频率最多的前十个字，里面调用splitSentence完成频率出现最多的前十个词的分析

    def LyricAnalysis(self):

        import jieba

        file = 'allLyric1.txt'

        #这个技巧需要注意

        alllyric = str([line.strip() for line in open('allLyric1.txt',encoding="utf-8").readlines()])

#获取全部歌词，在一行里面

        alllyric1=alllyric.replace("'","").replace(" ","").replace("?","").replace(",","").replace('"','').replace("?","").replace(".","").replace("!","").replace(":","")

       # print(alllyric1)

       #在这里用结巴分词来分词过滤并且输出到一个文件里面，这个ting.txt

       #import jieba.analyse 这里必须引入

        jieba.analyse.set_stop_words("ting.txt")

        self.splitSentence('allLyric1.txt', '分词过滤后.txt')

        #下面是词频统计

        import collections

        # 读取文本文件，把所有的汉字拆成一个list

        f = open("分词过滤后.txt", 'r', encoding='utf8')  # 打开文件，并读取要处理的大段文字

        txt1 = f.read()

        txt1 = txt1.replace('\n', '')  # 删掉换行符

        txt1 = txt1.replace(' ', '')  # 删掉换行符

        txt1 = txt1.replace('.', '')  # 删掉逗号

        txt1 = txt1.replace('.', '')  # 删掉句号

        txt1 = txt1.replace('o', '')  # 删掉句号

        mylist = list(txt1)

        mycount = collections.Counter(mylist)

        for key, val in mycount.most_common(10):  # 有序（返回前10个）

            print(key, val)

接下来我们需要进行天气，词云化数据，比如这里的天气我选择了用shell完成统计。-----cat XXXX | grep 秋天 | wc -l 这样一句话就OK 了，没必要再使用python3 物尽其用，方得正果：这些可视化的代码都很类似，就不全部列出来了。放一个示例吧：

from pyecharts import WordCloud

name = [

    "离开", "回忆", "微笑", "爱情", "世界", "想要", "眼泪", "不到", "感觉", "我会", "喜欢", "时间", "Oh", "永远", "oh", "记得", "不用", "真的", "一种",

    "我用", "等待", "慢慢", "故事", "看着", "一点", "笑容", "音乐", "温柔", "画面", "不想", "可爱", "天空", "声音", "身边", "远方", "只能", "忘记", "思念",

    "沉默", "女人", "幸福", "也许", "快乐", "感动", "难过", "跟着", "月光", "一场", "阳光", "表情", "打开", "Music", "安静", "一路", "明白", "放弃", "温暖",

    "心碎", "眼睛", "弦乐", "味道", "从前", "我要", "习惯", "回到", "一遍", "简单", "伤心", "灵魂", "*", "一口", "生命", "甜蜜", "拥有", "风景", "距离",

    "生活", "美"

]

value = [

    88, 80, 72, 69, 66, 61, 60, 59, 57, 56, 55, 55, 54, 50, 50, 48, 47, 46, 45, 42, 41, 40, 38, 38, 37, 37, 37, 36, 36,

    36, 36, 35, 34, 34, 34, 32, 32, 32, 31, 31, 30, 30, 29, 29, 29, 28, 28, 28, 28, 28, 28, 26, 26, 26, 25, 25, 25, 25,

    25, 24, 24, 24, 24, 24, 24, 24, 24, 23, 23, 23, 23, 23, 22, 22, 22, 22, 22, 22]

wordcloud = WordCloud(width=1300, height=620)

wordcloud.add("", name, value,shape='diamond', word_size_range=[20, 100])

wordcloud.render(r"D:\学习\untitled4\allpicture\歌词词云.html")

好了！！其实分析语法没那么重要，实验的方法也很多！！

我们来看下可视化的结果吧