Python Selenium爬虫实现歌曲免费下载

最近发现越来越多的歌曲下载都需要缴费了，对维护正版是好事。但有的时候也想钻个空子，正好最近在学习python，随手写了一个建议爬虫，用来爬取某播放软件的在线音乐。

主要思路就是爬取播放页里的播放源文件的url，程序可以读取用户输入并返回歌单，，，因为在线网站包含大量js，requests就显得很无奈，又懒得手动解析js，于是寄出selenium大杀器。

selnium是一款很强大的浏览器自动化测试框架，直接运行在浏览器端，模拟用户操作，目前selenium支持包括IE,Firefox,Chrome等主流浏览器及PhantomJS之类的无头浏览器，selenium+phantomjs也是现在很火的一个爬虫框架。

代码不长，做的有些简陋，以后可以加个GUI。。。。

步骤一：

进入酷狗主页，F12查看元素，，通过selenium.webdriver的send_keys()方法给send_input类传参，即用作用户的输入，然后通webdriver.click()方法点击搜索按钮，得到搜索结果列表。这里会有一个js重定向，通过webdriver.current_ur就可以了，，切记一点!传入的参数需要经过unicode编码(.decode(‘gb18030′))效果一样)，否则如果有中文会乱码。。(来自被深深困扰的我)

步骤二：

查看元素里每首歌的路径，发现每首歌的路径只有<li>不同,于是通过对li的迭代来获取每一首歌的xpath，并输出歌曲名字的元素，然后依旧通过webdriver的click()方法点击歌曲链接，得到歌曲播放页面，这里没有什么难点，都是常规操作。需要注意的是，这里的歌曲链接也包含一个js的重定向，但不一样的是浏览器会打开一个新的页面(至少火狐会)，可以在click()方法后通过webdriver.switch_to_window()方法跳转到新打开的页面

步骤三：

进入播放页面后通过xpath找到播放源文件链接(强推firepath，xpath神器啊)但发现这里依然有一个js渲染，来生成播放源链接，直接提取<src>标签会显示为空，于是继续webdriver，调用的浏览器会自动解析js脚本，解析完成后提取<src>得到歌曲链接，使用urllib的urlretrueve()下载即可

代码如下：

#coding=utf-8 
from selenium.webdriver.remote.webelement import WebElement 
from selenium import webdriver 
from selenium.webdriver import ActionChains 
from selenium.common.exceptions import NoSuchElementException 
from selenium.common.exceptions import StaleElementReferenceException 
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities 
from selenium.webdriver.common.by import By 
import time 
import urllib 
 
#歌曲名 
mname = '' 
 
#JS重定向 
def wait(driver): 
    elem = driver.find_element_by_tag_name('html') 
    count = 0 
    while True: 
        count += 1 
        if count > 20: 
            print('chao shi le') 
            return 
        time.sleep(.5) 
        try: 
            elem == driver.find_element_by_tag_name('html') 
        except StaleElementReferenceException: 
            return 
 
#获取url 
def geturl(): 
    input_string = raw_input('>>>please input the search key:') 
    driver = webdriver.Chrome() 
    url = 'http://www.kugou.com/' 
    driver.get(url) 
    a=driver.find_element_by_xpath('html/body/div[1]/div[1]/div[1]/div[1]/input') #输入搜索内容 
    a.send_keys(input_string.decode('gb18030')) 
    driver.find_element_by_xpath('html/body/div[1]/div[1]/div[1]/div[1]/div/i').click() #点击搜索 
    result_url = driver.current_url 
    driver.quit() 
    return result_url 
 
 
#显示搜索结果 
def show_results(url): 
    driver = webdriver.Chrome() 
    driver.get(url) 
    time.sleep(3) 
    for i in range(1,1000): 
        try: 
            print '%d. '%i + driver.find_element_by_xpath(".//*[@id='search_song']/div[2]/ul[2]/li[%d]/div[1]/a"%i).get_attribute('title')  #获取歌曲名 
        except NoSuchElementException as msg: 
            break 
    choice = input(">>>Which one do you want(you can input 'quit' to goback(带引号)):") 
    if choice == 'quit':   #从下载界面退回 
        result = 'quit' 
    else: 
        global mname 
        mname = driver.find_element_by_xpath(".//*[@id='search_song']/div[2]/ul[2]/li[%d]/div[1]/a"%choice).get_attribute('title') 
        a = driver.find_element_by_xpath(".//*[@id='search_song']/div[2]/ul[2]/li[%d]/div[1]/a"%choice) 
        actions = ActionChains(driver) 
        actions.move_to_element(a) 
        actions.click(a) 
        actions.perform() 
        #wait(driver) 
        driver.switch_to_window(driver.window_handles[1])  #跳转到新打开的页面 
        result = driver.find_element_by_xpath(".//*[@id='myAudio']").get_attribute('src') #获取播放元文件url 
        driver.quit() 
    return result 
 
 
#下载回调 
def cbk(a, b, c): 
    per = 100.0 * a * b / c   
    if per > 100: 
        per = 100 
    print '%.2f%%' % per 
     
 
def main(): 
    print'***********************欢迎使用GREY音乐下载器********************************' 
    print'                                                      directed by GreyyHawk' 
    print'**************************************************************************' 
    time.sleep(1) 
    while True: 
        url = geturl() 
        result = show_results(url) 
        if result == 'quit': 
            print'\n' 
            continue 
        else: 
            local = 'd://%s.mp3'%mname 
            print 'download start' 
            time.sleep(1) 
            urllib.urlretrieve(result, local, cbk) 
            print 'finish downloading %s.mp3'%mname + '\n\n' 
 
 
 
if __name__ == '__main__': 
  main()    

效果： 

总结：

当网页包含大量js的时候，selenium就会非常的方便，但经过实践发现好像phantomjs解析js的效率没有世纪浏览器的高，还会出错，后来换成调用火狐就好了，，不知道为啥，，也许是脸黑吧，，总之selenium真的是一款非常强大的框架，对爬虫有兴趣的同学一定要了解一下。