NO.35——qq音乐全站分布式爬虫（一）

一、目的

       qq音乐提供免费在线试听，但是下载需要付费，通过开发爬虫，绕过付费环节，直接下载我们需要的歌曲。

二、方法

       爬取对象是web端qq音乐，爬取范围是全站的歌曲信息，爬取方式是在歌手列表下获取每一位歌手的全部歌曲。

由于爬取量过大，采用异步编程的方式实现分布式爬虫开发，提高爬虫效率。

      整个爬虫项目按功能分为爬虫规则和数据入库。

      爬虫规则：

       在歌手列表https://y.qq.com/portal/singer_list.html按姓氏字母类别对歌手进行分类，遍历每个分类下的每个歌手页面，然后获取每个歌手页面下的全部歌曲信息。其整体思路：

首先打开包含26个字母的歌手页面，查找请求信息

    复制请求URL打开

      里边包含一个重要参数，singer_mid。然后任意打开某个歌手的页面

          复制请求URL打开

       里边包含一个重要参数songmid 。然后播放某个歌曲，找到它的播放接口，

            复制某个参数，ctrl+f查找，找到歌曲搜索接口

          复制URL打开

        发现sip+purl就是音乐播放接口。而音乐播放接口包含三个主要参数：  C400+songmid   、guid  、vkey。分三步走：通过歌手列表页面找到singer_mid ，通过单个歌手的详情页找到songmid，通过歌曲搜索接口找到veky，guid来自cookies 

设计遍历方案（由内循环到外循环）：

      5、遍历每个歌手的每个页面的歌曲信息。

      4、遍历每个歌手的歌曲页数；

      3、遍历每个字母分类下的每个页面的歌手信息；

      2、遍历每个字母分类下的歌手总页数；   

      1、遍历26个字母分类的歌手列表；

      理论设计上至少需要五次遍历，实际开发中遍历次数要多得多。整个开发过程采用模块化设计思想，划分模块如下：

1.       歌曲下载
2.       歌手信息和歌曲信息
3.       字母分类下的歌手列表
4.       全部歌手列表

（一）歌曲下载

            下载歌曲前，首先要找到某个歌手某个歌曲的下载链接。

            在网页中，点击播放某歌曲，打开谷歌的开发者模式，在Media选项卡可以找到该歌曲的播放文件，复制该URL在浏览器打开，发现歌曲可以播放：

           分析这个歌曲信息的URL，这是一个GET请求，并附带各种请求参数，如下：

http://dl.stream.qqmusic.qq.com/C400002stZ4548h0kT.m4a?guid=9613835105&vkey=FFE06ED227150F12AC92890FF951088A7B37F68950DD08F8994A633D908621681BC3F74798A3F4F7E30E3B057ECF62EC1AF4A00DAE934E0D&uin=0&fromtag=66

          那么，要实现歌曲的下载，首先要找到歌曲文件的URL请求参数。以vkey为例，复制这个请求参数到其他请求信息的Preview响应内容里查找，结果在JS选项卡下找到该请求参数：

          从上图分析，purl的值是歌曲URL信息的组成部分，再前边只需加上完整的域名就可以得到完整的歌曲文件URL。对于域名的选择，qq音乐提供了五个域名，每个域名都可以获取文件，这是一种集群的管理方式。在req的sip下可以找到具体的五个域名：

       我们继续这个URL请求的地址，这个URL地址很长，并且有复杂的请求参数，请求参数分为三大类型：

1. 整个参数可以直接去掉；
2. 参数值固定不变；
3. 参数值从其他请求信息获取。

      复制整个URL到地址栏进行访问，逐一实验把各参数去掉，观察响应内容是否发生变化 ，    

           

         对于尚不明确的参数guid和songmid，songmid从命名角度看，是歌曲的唯一标识符，每首歌曲的songmid是固定且唯一的。参数guid则来自cookies，这是一种常见的反爬虫机制。我们将歌曲下载定义为函数download，并设置参数guid、songmid和cookie_dict，分别代表请求参数guid、songmid和用户的cookie信息，具体代码如下：

          

import requests, time
import math
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from music_db import *
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor
# 创建请求头和会话
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
           }
session = requests.session()

# 下载歌曲
def download(guid, songmid, song_name,cookie_dict):
    # 参数guid来自cookies的pgv_pvid
    url = 'https://u.y.qq.com/cgi-bin/musicu.fcg?-=getplaysongvkey11136773093082608&g_tk=5381&loginUin=0&hostUin=0&format=json&inCharset=utf8&outCharset=utf-8&notice=0&platform=yqq.json&needNewCode=0&data={"req":{"module":"CDN.SrfCdnDispatchServer","method":"GetCdnDispatch","param":{"guid":"'+guid+'","calltype":0,"userip":""}},"req_0":{"module":"vkey.GetVkeyServer","method":"CgiGetVkey","param":{"guid":"'+guid+'","songmid":["'+songmid+'"],"songtype":[0],"uin":"0","loginflag":1,"platform":"20"}},"comm":{"uin":0,"format":"json","ct":24,"cv":0}}'
    r = session.get(url, headers=headers,cookies=cookie_dict)
    purl = r.json()['req_0']['data']['midurlinfo'][0]['purl']
    # 下载歌曲
    if purl:
        url = 'http://isure.stream.qqmusic.qq.com/%s' %(purl)
        r = requests.get(url, headers=headers)
        f = open('song/' + song_name + '.m4a', 'wb')
        f.write(r.content)
        f.close()
        return True
    else:
        return False

        对于cookies信息的获取，需要使用selenium实现，并且进行两次操作，才能获得cookies信息：第一次先访问qq音乐首页，第二次访问歌手页面，在JS选项卡下的请求中能找到cookie信息：

       生成cookies信息还需要将其转化成字典格式，因此cookies的获取过程如下：

         

# 使用Selenium获取Cookies
# 因为歌曲下载的请求参数guid是来自Cookies，因此要使用Selenium获取Cookies，这是常见的反爬虫措施之一
def getCookies():
    # 某个歌手的歌曲信息，用于获取Cookies，因为不是全部请求地址都有Cookies
    url = 'https://c.y.qq.com/v8/fcg-bin/fcg_v8_singer_track_cp.fcg?g_tk=5381&jsonpCallback=MusicJsonCallbacksinger_track&loginUin=0&hostUin=0&format=jsonp&inCharset=utf8&outCharset=utf-8&notice=0&platform=yqq&needNewCode=0&singermid=001fNHEf1SFEFN&order=listen&begin=0&num=30&songstatus=1'
    chrome_options = Options()
    # 设置浏览器参数
    # --headless是不显示浏览器启动以及执行过程
    chrome_options.add_argument('--headless')
    driver = webdriver.Chrome(chrome_options=chrome_options)
    # 访问两个URL，QQ网站才能生成Cookies
    driver.get('https://y.qq.com/')
    time.sleep(1)
    driver.get(url)
    time.sleep(1)
    one_cookie = driver.get_cookies()
    driver.quit()
    # Cookies格式化
    cookie_dict = {}
    for i in one_cookie:
        cookie_dict[i['name']] = i['value']
    return cookie_dict

           现在将download()和getCookie()方法结合使用，就能实现单首歌曲的下载。

if __name__ == '__main__':
    cookie_dict=getCookies()
    download(cookie_dict['pgv_pvid'],'001X0PDf0W4lBq',cookie_dict)

songmid值的获取从下一小节回答。

（二）歌手信息和歌曲信息 

            在上一节中，实现了单首歌曲的下载，调用download()函数，传入不同的参数songmid即可实现下载不同的歌曲。在本节，通过歌手页面获取不同歌曲的songmid值。以邓紫棋为例，打开歌手页面，并在开发者工具下查找歌曲信息，最后在JS选项卡下找到歌曲信息，如下：

     分析图上请求的url，某些参数存在固定规律，比如singermid是每位歌手的唯一标识符；begin是页数，每一页有30个歌曲，第一页为0，第二页为30...其余参数固定不变。

        本小节实现的代码主要针对图上的请求URL进行。首先获取歌手的总歌曲数量，然后根据总歌曲数量来计算页数，最后遍历每一页来获取每首歌曲的信息以及歌曲的songmid进行歌曲下载，代码如下：

# 获取歌手的全部歌曲
def get_singer_songs(singermid, cookie_dict):
    # 获取歌手姓名和歌曲总数
    url = 'https://c.y.qq.com/v8/fcg-bin/fcg_v8_singer_track_cp.fcg?loginUin=0&hostUin=0&singermid=%s' \
          '&order=listen&begin=0&num=30&songstatus=1' % (singermid)
    r = session.get(url)
    # 获取歌手姓名
    song_singer = r.json()['data']['singer_name']
    # 获取歌曲总数
    songcount = r.json()['data']['total']
    # 根据歌曲总数计算总页数
    pagecount = math.ceil(int(songcount) / 30)
    # 循环页数，获取每一页歌曲信息
    for p in range(pagecount):
        url = 'https://c.y.qq.com/v8/fcg-bin/fcg_v8_singer_track_cp.fcg?loginUin=0&hostUin=0&singermid=%s' \
              '&order=listen&begin=%s&num=30&songstatus=1' % (singermid, p * 30)
        r = session.get(url)
        # 得到每页的歌曲信息
        music_data = r.json()['data']['list']
        # songname-歌名，ablum-专辑，interval-时长，songmid歌曲id，用于下载音频文件
        # 将歌曲信息存放字典song_dict，用于入库
        song_dict = {}
        for i in music_data:
            song_dict['song_name'] = i['musicData']['songname']
            song_dict['song_ablum'] = i['musicData']['albumname']
            song_dict['song_interval'] = i['musicData']['interval']
            song_dict['song_songmid'] = i['musicData']['songmid']
            song_dict['song_singer'] = song_singer
            # 下载歌曲
            info = download(cookie_dict['pgv_pvid'], song_dict['song_songmid'], song_dict['song_name'], cookie_dict)
            # 入库处理，参数song_dict
            if info:
                insert_data(song_dict)
            # song_dict清空处理
            song_dict = {}

            函数get_singer_songs()用于爬取某个歌手的全部歌曲：

1. 参数singermid代表歌手的唯一标识符，只需传入不同歌手的singermid，就能爬取不同歌手的全部歌曲；
2. 代码有两个相同的变量url：第一个动态设置歌手的singermid，获取每位歌手的歌曲总数和歌手姓名；第二个动态设置页数，获取当前歌手每一页的歌曲信息；
3. 下载歌曲调用已实现的download()函数，入库处理是调用入库函数insert_data()，后续小节会介绍。 

（三）分类歌手列表

              通过以上小节内容，现在已经可以下载某一歌手的全部歌曲，只要在这功能基础上遍历输入不同歌手的singermid，就能获取所有不同歌手的全部歌曲信息。用开发者工具对歌手列表进行分析，发现每页有80个歌手，共297页，全站歌手共有23760位。

          将循环次数按字母分类划分。在歌手列表页上使用字母A-Z对歌手进行分类筛选，利用这个分类功能可以将全部歌手分成两层循环。拆分成两层循环主要是为异步编程提供切入点，具体实现方式会在后续小节讲解。首先在网页上单击分类“A”，在开发者模式下JS选项卡下看到相应请求信息：

           点击不同字母和页数，发现参数变化规律：

1. index表示字母，“A”=1,"B"=2；
2. sin根据页数计算歌手数量，第一页为0，第二页为80；
3. cur_page表示当前页，从1开始

           根据上述分析，本章的功能代码如下：

# 获取当前字母下全部歌手
# 修改了请求地址URL以及数据获取
def get_genre_singer(index, page_list, cookie_dict):
    for page in page_list:
        url = 'https://u.y.qq.com/cgi-bin/musicu.fcg?-=getUCGI771604139451213&g_tk=5381&loginUin=0&hostUin=0&format=json&inCharset=utf8&outCharset=utf-8&notice=0&platform=yqq.json&needNewCode=0&data={"comm":{"ct":24,"cv":0},"singerList":{"module":"Music.SingerListServer","method":"get_singer_list","param":{"area":-100,"sex":-100,"genre":-100,"index":'+str(index)+',"sin":'+str((page-1)*80)+',"cur_page":'+str(page)+'}}}'
        r = session.get(url)
        # 循环每一个歌手
        for k in r.json()['singerList']['data']['singerlist']:
            singermid = k['singer_mid']
            get_singer_songs(singermid, cookie_dict)

         函数get_genre_singer()是获取单个字母分类的歌手列表，函数参数说明如下：

1. index代表字母      对应index
2. page_list代表当前字母分类下的总页数        对应(page-1)*80
3. cookie_dict代表函数getCookies的返回值，即用户的Cookies信息      对应page

(四)全站歌手列表

         现在得到函数get_genre_singer()，只需传入不同的参数index和page_list即可实现26个英文字母分类的歌手列表。在此基础上遍历26个英文字母即可实现，将这个遍历定义在函数get_all_singer()，具体代码如下：

# 单进程单线程
# 获取全部歌手
# 修改了请求地址URL以及数据获取
def get_all_singer():
    # 获取字母A-Z全部歌手
    cookie_dict = getCookies()
    for index in range(1, 28):
        # 获取每个字母分类下总歌手页数
        url = 'https://u.y.qq.com/cgi-bin/musicu.fcg?-=getUCGI771604139451213&g_tk=5381&loginUin=0&hostUin=0&format=json&inCharset=utf8&outCharset=utf-8&notice=0&platform=yqq.json&needNewCode=0&data={"comm":{"ct":24,"cv":0},"singerList":{"module":"Music.SingerListServer","method":"get_singer_list","param":{"area":-100,"sex":-100,"genre":-100,"index":'+str(index)+',"sin":0,"cur_page":1}}}'
        r = session.get(url, headers=headers)
        total = r.json()['singerList']['data']['total']
        pagecount = math.ceil(int(total) / 80)
        page_list = [x for x in range(1, pagecount+1)]
        # 获取当前字母下全部歌手
        get_genre_singer(index, page_list, cookie_dict)

if __name__ == '__main__':
    
    #执行单线程进程
    get_all_singer()

          上述代码是整个项目的程序入口，函数运行顺序如下：

1. get_all_singer()：循环26个字母，构建参数并调用get_genre_singer()
2. get_genre_singer(index,page_list,cookie_dict)：遍历当前分类总页数，获取每页每位歌手的歌曲信息
3. get_singer_songs(singermid,cookie_dict)：实现歌手的歌曲入库和下载
4. download(guid,songmid,cookie_dict)：下载歌曲
5. getCookies()：使用selenium获取用户的cookies
6. insert_data(song_dict)：入库处理

          通过函数层层调用实现整个网站的歌曲下载和信息入库。