教程系列鏈接目錄：

1、Scrapy爬取網易云音樂和評論（一、思路分析）
2、Scrapy爬取網易云音樂和評論（二、Scrapy框架每個模塊的作用）
3、Scrapy爬取網易云音樂和評論（三、爬取歌手）
4、Scrapy爬取網易云音樂和評論（四、關于API）
5、Scrapy爬取網易云音樂和評論（五、評論）

項目GitHub地址：https://github.com/sujiujiu/WYYScrapy

很尷尬，csdn不允許發爬取類的文章然后都屏蔽了，然后重新發到博客園這邊了。

前提：

scrapy這個框架很多人用過，網上教程也很多，但大多就是爬爬小說這種比較簡單且有規律的，網易云音樂也有很多人寫過，也有API，不過大多是爬取了熱門歌曲，或是從歌單下手，但是考慮到歌單會有很多重復的。當然，從歌手頁的話，如果有多個歌手合唱，那每個歌手頁也都會有這首歌，但他們的鏈接是一樣的，也是會有重復的，但是相對來說就比較少，所以就從歌手下手。

在GitHub上也有很多優秀的例子，但沒有文檔，我這里寫一個整站的。
項目GitHub地址：https://github.com/sujiujiu/WYYScrapy

因為種種原因，我后來還是沒有用框架又寫了一遍。這一塊運行成功了，但是我沒有去關注數量就中斷了，就只能拿出來當教程吧。

• 開發環境：WIN7+Anaconda+py2.7+scrapy
• 數據庫：MongoDB
• 文章的順序：先分析思路，再分析scrapy框架每個模塊的作用，最后寫代碼和分析API，只有5篇。

之前有小伙伴問我為什么在已經出到3.x后期了我還要用2.7，其實是我當時學的時候在折騰2.7，就是懶。而且當時scrapy對py3很不友好，文檔也很有限，當然是后來才知道Anaconda這個好東西的。Anaconda2和3都有了，3能不能裝scrapy我不知道，還沒試過。如果你不想用2.7，可以先嘗試下Anaconda3裝一裝scrapy看看能不能裝成功，是哪個版本的。

一、我們先爬歌手，有兩種方法：

方法一：遍歷id

第一種是遍歷，id數大概十一二萬的樣子，大多id是相隔不遠的。

• 優點：遍歷比較方便，比較全。有個別歌手有主頁，但是沒有申請音樂人，只能通過自己搜索訪問id，用這種方式比較完整。
• 缺點：但是這種方式會有很多404，就需要你去處理。

但我最開始用的是下面這種，我們也拿這個來分析：

方法二：從分類獲取所有入駐的歌手的id

優缺點與方法一剛好相反。

• 優點：不用去做404處理。
• 缺點：獲取歌手不完全。分類里只有已經入駐的歌手，你仔細搜搜就會發現很多歌手的主頁只有一個收藏的標簽，卻沒有個人主頁的標簽。沒有個人主頁的都是沒有入駐、沒有簽約，或是歌是被別人上傳的，被歸類到該主頁下的。

1、從這個頁面，爬取所有歌手的id：http://music.163.com/#/discover/artist

這里要說一下，網易云的所有網址，要去掉中間那個#號才是真正的url，帶#的查看源代碼是獲取不到真正的信息的。所以正的url其實是：http://music.163.com/discover/artist 。

我們看這個頁面左側欄：

2、因為當時我寫的時候，參考到這篇，https://github.com/runningRobin/music163/blob/master/music163/spiders/spider.py

這個group_ids里的就是左側每個項對應所有的頁面了（不包括最上方的推薦歌手和入駐歌手，因為包含在其他里面了）

3、我們按F12或右鍵檢查，如圖，每個對應的url是：http://music.163.com/discover/artist/cat?id=xxx：

4、然后我們再點進去：

url的id就是上面這個id了，而后面的initial是什么呢？initial是首字母的意思，你看下面我們選中的是A，然后它是65，是不是想到ASCII碼，在ASCII碼中A就是從65開始的，Z是90，后面以此類推，最后有個其他，是0，我們將它弄成一個列表：

#  男女、國家分類id
group_ids = (1001, 1002, 1003, 2001, 2002, 2003, 6001, 6002, 6003, 7001, 7002, 7003, 4001, 4002, 4003)
# 歌手姓名首字母id
initials = [i for i in range(65,91)] + [0]

二、歌手頁

1、點進來之后我們來到歌手頁，http://music.163.com/#/artist?id=6452 ，同樣，去掉#

2、我們會發現下面有好幾個塊，

我們獲取的這個url對應的是熱門50首，如果你只需要熱門歌曲你可以獲取它所有鏈接:

這個代碼被我分為兩塊，第一塊是熱門50首的url，也只有url。

而第二塊textarea里是json，是這些歌曲的完整的信息，我獲取的是json信息，只不過，這些信息通過lxml.etree或者BeautifulSoup用text的方式獲取下來會是字符串，我們需要用json將它格式化，但是極個別在爬取的過程中，死活獲取不到。

3、上面那個是歌手的熱門歌曲，我們要獲取全站，就得從歌手的專輯下手，獲取專輯里所有的歌手才行。因為scrapy本身的束縛，其實說是全站，并不是那么方便，比如這四個板塊，我們只能選一個，一直往下，單曲或MV就得另寫。

4、我們在專輯頁會發現，有些是有很多頁的，后來搜的時候發現了API，所以接下來的東西，我們就不通過頁面的方式了。

API我是通過這個網站發現的：http://moonlib.com/606.html ，因為最開始我的目的是爬評論，來看到評論的API很多變了，我以為這些都變了，一開始還擱置了沒用，傻傻的去寫lxml，但是它的翻頁的序號是爬不到的，后來隨手測試了一下API，發現都有用。

我們用到的是2到6（不包括5，沒用到歌單），第7條接口是MV的，不過不幸沒有發現像專輯一樣的列表頁信息，它只有單曲的MV的API。

不過這里我們用不上，后面會專門分析API。

5、接下來就是每個專輯的所有歌曲還有專輯、歌手的一些信息，專輯下也有評論

6、最后就是歌曲頁了

好，思路就是這樣，接下來我們分析Scrapy這個框架。