一、需求
好久没有碰爬虫了，竟不知道从何入手。偶然看到一篇知乎的评论（https://www.zhihu.com/question/20799742/answer/99491808），一时兴起就也照葫芦画瓢般尝试做一做。本文主要是通过网页的歌名搜索，然后获取到页面上的搜索结果，最后自行选择下载搜索结果中的哪条歌曲。
二、应用
在这个过程中，有很多坑，但还好撑过去了。过程中主要用到的东西有 fiddler抓包查看日志、浏览器JS的分析、python ASE的加密、request包 的简单应用、jsonpath包的运用、python基础的列表、字典、格式化的简单运用。
三、说明
1、本文主要参考引用了以下博文，感谢大神们的思路和过程：
https://www.zhihu.com/question/36081767
https://www.cnblogs.com/nienie/p/8511999.html
https://www.zhihu.com/question/20799742/answer/99491808
https://www.cnblogs.com/mxk123/p/11832247.html（CSS选择器学习）
https://www.cnblogs.com/songzhenhua/p/10260992.html （也是CSS选择器学习）
https://www.cnblogs.com/yuluoxingkong/p/10019246.html （可以借鉴*面话的浏览器模式）
2、本文仅供娱乐和学习，切勿用于商业用途，如有发现，概不负责！
四、正文
上图就是我们的目标页面，很简单的实现搜索和下载音乐的功能。
根据搜索地址（https://music.163.com/#/search/m/?s=难得有情人&type=1），本文主要的思路有：
思路一
1、使用beautifulsoup 把整个网页load下来，看HTML中是否有歌曲的ID，我们主要是用ID来进行下载，有个歌曲外链的下载地址（http://music.163.com/song/media/outer/url?id=id.mp3
），我也不知道从哪里来的，可以根据ID来下载歌曲。现在看下网页的HTML源码，对着歌名右键——检查，可以看到歌名、歌曲的id、歌手等信息，然后使用beautifulsoup 进行获取就可以了。但是现在关键信息都放在了iframe里面，暂时不知道怎么抓取。本文就先不深入阐述，有时间再研究一下。（补：网上搜了一下可以使用webdriver来实现跨iframe抓取数据，因此也就使用该种方法了，不多说直接放代码，代码比第二种少了一些，不过速度较慢）
------------------------------------补上思路一的代码，效果和思路二是一样的----------------------------------------
import requests # 用于获取网页内容的模块
from bs4 import BeautifulSoup # 用于解析网页源代码的模块
from selenium import webdriver
from selenium.webdriver.chrome.options import Options def handle_hmtl(search_name):
chrome_options = Options()
chrome_options.add_argument('--headless')
driver = webdriver.Chrome('chromedriver', chrome_options=chrome_options)
link = "https://music.163.com/#/search/m/?s=" + search_name + "&type=1" # 要搜索的链接
driver.get(link)
iframe_elemnt = driver.find_element_by_id("g_iframe") # 因为直接获取不到iframe的内容，因此使用web_driver
driver.switch_to.frame(iframe_elemnt) # 关键步骤，跳转到iframe里面，就可以获取HTML内容
soup = BeautifulSoup(driver.page_source, "html.parser") # 通过 BeautifulSoup 模块解析网页，具体请参考官方文档。
L = [] # 存储结果的列表
nu = 0
for value in soup.select(
"div[class='srchsongst'] div[class^='item f-cb h-flag']"): # 获取到关键class：srchsongst下面的所有元素，结果是一个列表，使用的是CSS的方式
D = {'num': 'null', 'name': 'null', 'id': 'null', 'singer': 'null', 'song_sheet': 'null'} # 初始化字典
D['num'] = nu # 用来计算num
D['name'] = value.b.attrs['title'] # 歌名
D['id'] = value.a.attrs['data-res-id'] # 歌曲ID
D['singer'] = '/'.join([i.string for i in value.select('a[href^="/artist?i"]')]) # 歌唱者
D['song_sheet'] = value.select('a[class^="s-fc3"]')[0].attrs['title'] # 专辑
L.append(D)
nu += 1
return L def load_song(num, result):
"""
result 是一个列表
num 是一个str
"""
if isinstance(int(num), int):
num = int(num)
if num >= 0 and num <= len(result):
song_id = result[num]['id']
song_down_link = "http://music.163.com/song/media/outer/url?id=" + result[num]['id'] + ".mp3" # 根据歌曲的 ID 号拼接出下载的链接。歌曲直链获取的方法参考文前的注释部分。
print("歌曲正在下载...")
response = requests.get(song_down_link, headers=headers).content # 亲测必须要加 headers 信息，不然获取不了。
f = open(result[num]['name'] + ".mp3", 'wb') # 以二进制的形式写入文件中
f.write(response)
f.close()
print("下载完成.\n\r")
else:
print("你输入的数字不在歌曲列表范围，请重新输入")
else:
print("请输入正确的歌曲序号") if __name__ == '__main__':
headers={ # 伪造浏览器头部，不然获取不到网易云音乐的页面源代码。
'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.80 Safari/537.36',
'Referer':'http://93.174.95.27',
}
search_name = input("请输入你想要在网易云音乐中搜索的单曲：")
result = handle_hmtl(search_name)
print("%3s %-35s %-20s %-20s " % ("序号", " 歌名", "歌手", "专辑"))
for i in range(len(result)):
print("%3s %-35s %-20s %-20s " % (
result[i]["num"], result[i]["name"], result[i]["singer"], result[i]["song_sheet"]))
num = input("请输入你想要下载歌曲的序号/please input the num you want to download：")
load_song(num, result) # 下载歌曲
思路二
2、第二种思路就是参考博文中，直接获取接口返回的内容，查看接口是否返回歌曲的关键信息，同样右键检查一下，歌词的关键信息是这个接口（https://music.163.com/weapi/cloudsearch/get/web?csrf_token=）返回的，而请求参数是：params和encSecKey，看那么长的一串，肯定是经过加密的了。
从参考博文中可以得知，该参数是经过JS加密得到的，至于如何知道是经过JS加密得到的，我也不太清楚。从浏览器的initiator项可以这个地址使用了叫core_xxx的JS文件，因此，我们点击JS项，查看该JS文件，果然有该文件。如果没有加载出来该JS文件，那需要在F12的开发者工具的“Disable cashe”勾选上（因为本地缓存了之后浏览器就不加载了）。通过preview来查看JS的代码，我们可以搜索一下我们想要的那两个关键字段encSecKey， 搜索后发现有一个关键的函数 window.asrsea，而这个函数又是一个d 的函数。
因此我们需要知道window.asrsea 的4个参数，JSON.stringify(i1x)、bxX3x(["流泪", "强"])、bxX3x(RW5b.md)、bxX3x(["爱心", "女孩", "惊恐", "大笑"])。这里我们也使用fiddler抓包，然后分别打印出这几个参数的值。【注：这里有个踩坑点，就是参照的博文中，打印的是i1x 而不是JSON.stringify(i1x) 这个。但是打印出i1x之后会有个风险就是使用转义字符的时候容易出错，因此建议打印出全部】，可以看出，JSON.stringify(i1x) 这个参数打印出了好多个值，这里只能一一试错，我暂时没有好的办法定位到哪个是目标接口调用的。同样的办法可以找出那4个参数：
first_param = r'{"hlpretag":"<span class=\"s-fc7\">","hlposttag":"</span>","s":"' + search_name + r'","type":"1","offset":"0","total":"true","limit":"30","csrf_token":""}'
second_param = "010001"
third_param = "00e0b509f6259df8642dbc35662901477df22677ec152b5ff68ace615bb7b725152b3ab17a876aea8a5aa76d2e417629ec4ee341f56135fccf695280104e0312ecbda92557c93870114af6c9d05c4f7f0c3685b7a46bee255932575cce10b424d813cfe4875d3e82047b97ddef52741d546b8e289dc6935b3ece0462db0a22b8e7"
forth_param = "0CoJUm6Qyw8W8jud"
fiddler抓包再说一下，如果出现使用fiddler抓包但是原网页显示不全的话，那就需要安装好fiddler的证书之后再试。
知道了这4个参数之后，可以通过JS文件中的内容获取到加密的方式，就是ASE加密，模式是CBC模式，偏移量为vi ；知道了这些参数，就可以使用python的ASE加密进行加密，代码如下：【注：这里有个坑：参考的博文中可能使用的ASE的版本不一致导致了加密算法报错，不加.encoding('utf-8') 的话会出现二进制的报错，另外需要先转成转码变成二进制之后再进行16位补齐】，这样就可以得到params 值，为什么说encSecKey 是常量呢，可以观察到encSecKey 的值是d 函数中的h.encSecKey，这里我们给定一个i 之后，就可以得到固定的encSecKey值。知道了这两个参数之后，就可以获取到完整的返回值了。
def AES_encrypt(text, key, iv):
text = text.encode('utf-8')
pad = 16 - len(text) % 16
text = text + ( pad * chr(pad)).encode('utf-8') # 需要转成二进制，且可以被16整除
key = key.encode('utf-8')
iv = iv.encode('utf-8')
encryptor = AES.new(key, AES.MODE_CBC, iv)
encrypt_text = encryptor.encrypt(text) # .encode('utf-8')
encrypt_text = base64.b64encode(encrypt_text)
return encrypt_text.decode('utf-8')
def get_params(): # 获取params 参数的函数
iv = "0102030405060708"
first_key = forth_param
second_key = 16 * 'F'
h_encText = AES_encrypt(first_param, first_key, iv)
h_encText = AES_encrypt(h_encText, second_key, iv)
return h_encText
得到的json报文之后，可以使用jsonpath 包来进行处理，提取我们需要的值，详细的Jsonpath的规则可参考（https://www.cnblogs.com/aoyihuashao/p/8665873.html）：
def handle_json(ressult_str):
"""通过request返回的json结果，对结果进行处理"""
ressult_str = ressult_b.decode('utf-8') # 结果转码为str类型
json_text = json.loads(ressult_str) # 加载为json格式
i = 0
L = []
for i in range(len(jsonpath(json_text, '$..songs[*].id'))): # 根据id获取列表条数
D = {'num': 'null', 'name': 'null', 'id': 'null', 'singer':'null', 'song_sheet':'null'} # 初始化字典
D['num'] = i
D['name'] = '/'.join(jsonpath(json_text, "$..songs["+str(i)+"].name")) # 获取名称
D['id'] = str(jsonpath(json_text, "$..songs["+str(i)+"].id")[0]) # 获取ID且获取第一个ID值并转化为str类型
D['singer'] = '/'.join(jsonpath(json_text, "$..songs["+str(i)+"].ar[*].name")) # 获取歌手列表
al_list = jsonpath(json_text, "$..songs["+str(i)+"].al.name") # 获取专辑列表
al = '/'.join(al_list) # 将获取的专辑列表合并
D['song_sheet'] = "《" + al + "》"
L.append(D)
return L
下面附上全部代码（只为实现功能，还有些bug需要优化）：
# coding = utf-8
#from bs4 import BeautifulSoup # 用于解析网页源代码的模块
from binascii import b2a_hex, a2b_hex
from jsonpath import jsonpath
from Crypto.Cipher import AES
import requests # 用于获取网页内容的模块
import base64
import json def get_params(): # 获取params 参数的函数
iv = "0102030405060708"
first_key = forth_param
second_key = 16 * 'F'
h_encText = AES_encrypt(first_param, first_key, iv)
h_encText = AES_encrypt(h_encText, second_key, iv)
return h_encText def get_encSecKey():
encSecKey = "257348aecb5e556c066de214e531faadd1c55d814f9be95fd06d6bff9f4c7a41f831f6394d5a3fd2e3881736d94a02ca919d952872e7d0a50ebfa1769a7a62d512f5f1ca21aec60bc3819a9c3ffca5eca9a0dba6d6f7249b06f5965ecfff3695b54e1c28f3f624750ed39e7de08fc8493242e26dbc4484a01c76f739e135637c"
return encSecKey def AES_encrypt(text, key, iv):
text = text.encode('utf-8')
pad = 16 - len(text) % 16
text = text + ( pad * chr(pad)).encode('utf-8') # 需要转成二进制，且可以被16整除
key = key.encode('utf-8')
iv = iv.encode('utf-8')
encryptor = AES.new(key, AES.MODE_CBC, iv)
encrypt_text = encryptor.encrypt(text) # .encode('utf-8')
encrypt_text = base64.b64encode(encrypt_text)
return encrypt_text.decode('utf-8') def get_json(url, params, encSecKey):
data = {
"params": params,
"encSecKey": encSecKey
}
response = requests.post(url, headers=headers, data=data)
return response.content def handle_json(ressult_str):
"""通过request返回的json结果，对结果进行处理"""
ressult_str = ressult_b.decode('utf-8') # 结果转码为str类型
json_text = json.loads(ressult_str) # 加载为json格式
i = 0
L = []
for i in range(len(jsonpath(json_text, '$..songs[*].id'))): # 根据id获取列表条数
D = {'num': 'null', 'name': 'null', 'id': 'null', 'singer':'null', 'song_sheet':'null'} # 初始化字典
D['num'] = i
D['name'] = '/'.join(jsonpath(json_text, "$..songs["+str(i)+"].name")) # 获取名称
D['id'] = str(jsonpath(json_text, "$..songs["+str(i)+"].id")[0]) # 获取ID且获取第一个ID值并转化为str类型
D['singer'] = '/'.join(jsonpath(json_text, "$..songs["+str(i)+"].ar[*].name")) # 获取歌手列表
al_list = jsonpath(json_text, "$..songs["+str(i)+"].al.name") # 获取专辑列表
al = '/'.join(al_list) # 将获取的专辑列表合并
D['song_sheet'] = "《" + al + "》"
L.append(D)
return L def load_song(num, result):
if isinstance(int(num), int):
num = int(num)
if num >= 0 and num <= len(result):
song_id = ressult[num]['id']
song_down_link = "http://music.163.com/song/media/outer/url?id=" + ressult[num]['id'] + ".mp3" # 根据歌曲的 ID 号拼接出下载的链接。歌曲直链获取的方法参考文前的注释部分。
print("歌曲正在下载...")
response = requests.get(song_down_link, headers=headers).content # 亲测必须要加 headers 信息，不然获取不了。
f = open(ressult[num]['name'] + ".mp3", 'wb') # 以二进制的形式写入文件中
f.write(response)
f.close()
print("下载完成.\n\r")
else:
print("你输入的数字不在歌曲列表范围，请重新输入")
else:
print("请输入正确的歌曲序号") if __name__ == "__main__": search_name = input("请输入你想要在网易云音乐中搜索的单曲：")
headers = {
'Cookie': 'appver=1.5.0.75771;',
'Referer': 'http://music.163.com/'
}
first_param = r'{"hlpretag":"<span class=\"s-fc7\">","hlposttag":"</span>","s":"' + search_name + r'","type":"1","offset":"0","total":"true","limit":"30","csrf_token":""}'
second_param = "010001"
third_param = "00e0b509f6259df8642dbc35662901477df22677ec152b5ff68ace615bb7b725152b3ab17a876aea8a5aa76d2e417629ec4ee341f56135fccf695280104e0312ecbda92557c93870114af6c9d05c4f7f0c3685b7a46bee255932575cce10b424d813cfe4875d3e82047b97ddef52741d546b8e289dc6935b3ece0462db0a22b8e7"
forth_param = "0CoJUm6Qyw8W8jud"
url = "https://music.163.com/weapi/cloudsearch/get/web?csrf_token="
params = get_params()
encSeckey = get_encSecKey()
ressult_b = get_json(url, params, encSeckey)
ressult = handle_json(ressult_b) # 过滤出需要的数据，存入到result中
print("%3s %-35s %-20s %-20s " %("序号", " 歌名", "歌手", "专辑") )
for i in range(len(ressult)):
print("%3s %-35s %-20s %-20s " %(ressult[i]["num"], ressult[i]["name"], ressult[i]["singer"], ressult[i]["song_sheet"]))
num = input("请输入你想要下载歌曲的序号/please input the num you want to download：")
load_song(num, ressult) # 下载歌曲