前言

网络爬虫（Web Crawler），也称为网页蜘蛛（Web Spider）或网页机器人（Web Bot），是一种按照既定规则自动浏览网络并提取信息的程序。爬虫的主要用途包括数据采集、网络索引、内容抓取等。

爬虫的基本原理

种子 URL：爬虫从一个或多个种子 URL 开始，这些 URL 是起点。发送请求：爬虫向这些种子 URL 发送 HTTP 请求，通常是 GET 请求。获取响应：服务器返回网页的 HTML 内容作为响应。解析内容：爬虫解析 HTML 内容，提取所需的数据（如文本、链接、图片等）。提取链接：从网页中提取出所有链接，并将这些链接加入待访问队列。重复过程：爬虫重复上述步骤，直到达到某个停止条件，如爬取了一定数量的页面，或所有页面都被爬取完毕。

爬虫的分类

通用爬虫

设计用于抓取整个互联网的大量网页。搜索引擎（如 Google、Bing）的爬虫就是通用爬虫。

聚焦爬虫

专注于特定主题或领域，抓取相关网页。比如，一个新闻爬虫只抓取新闻网站的内容。

增量爬虫

仅抓取自上次爬取以来发生变化或更新的网页，适用于动态内容更新频繁的网站。

爬虫的合法性和道德

在编写和运行爬虫时，必须遵循以下原则：

遵守网站的 <code>robots.txt：

大多数网站都有一个 robots.txt 文件，规定了哪些页面允许被爬取，哪些不允许。爬虫应当尊重这些规则。

避免过度抓取：

设置适当的抓取频率，避免对服务器造成过大负担。

尊重版权和隐私：

不应抓取或使用受版权保护的内容，或涉及用户隐私的数据。

获取许可：

在某些情况下，最好获得网站管理员的许可，特别是当你打算频繁地抓取大量数据时。

通过以上方法和原则，可以编写高效、可靠且合规的网络爬虫来满足数据采集的需求。 

侦察

打开页面

F12 检查定位关键元素

在网络中刷新页面

搜索关键字

查看在页面中的渲染情况是不是我们想要的数据，可以看到这里列出了200首歌那么就是的

在标头中确定数据来源地址及请求方法

源代码

<code>import re

import os

import requests

filename = 'music\\'

# 如果没有则创建文件夹

if not os.path.exists(filename):

os.makedirs(filename)

# 请求网址（如果想要爬取其他的榜单的歌曲内容，只需要改这个 url 即可）

url = 'https://music.163.com/playlist?id=3778678'

# 伪造请求头

headers = {

'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/127.0.0.0 Safari/537.36'

}

# 发送请求

response = requests.get(url, headers=headers)

# re.findall

# 这个函数用于在字符串中查找所有与正则表达式模式匹配的部分，并返回一个包含所有匹配项的列表

# r 前缀表示这是一个原始字符串，其中的反斜杠不会被解释为转义字符

# (\d+): 捕获组，匹配一个或多个数字

# (.*?): 捕获组，非贪婪匹配任何字符（包括空字符），直到遇到 </a>

html_data = re.findall(r'<li><a href="/song\?id=(\d+)">(.*?)</a>', response.text)code>

# 正则表达式提取出来的一个内容返回是列表 里面每一个元素都是元组

for num_id, title in html_data:

# 调用接口

music_url = f'https://music.163.com/song/media/outer/url?id={num_id}.mp3'

# 发送请求获取二进制数据

music_content = requests.get(music_url, headers=headers)

# 保存

with open('music\\' + title + '.mp3', 'wb') as f:

f.write(music_content.content)

print(num_id, title)

项目效果