Python数据抓取

Question

我想从http://www.youtube-mp3.org/上下载几首歌。我使用的是urllib2和BeautifulSoup。

问题是，当我用我的视频ID http://www.youtube-mp3.org/?c#v=lV7r8PiuecQ打开网站时，我会看到网站，但他们对此很棘手，并在初始页面加载后加载一些js ajax内容的信息。因此，当我尝试抓取下载链接的url时，它实际上不在页面上，因为它还没有加载。

有人知道如何在我的python脚本中触发这个js加载器吗？

下面是我想要的内容加载到其中之前的相关空html。

<div id="link_box" style="display:none">
   <div id="link_box_title" style="font-weight:bold; text-decoration:underline">
   </div>
   <div class="row">
    <div id="link_box_bb_code_title" style="font-weight:bold">
    </div>
    <input type="text" id="BBCodeLink" onclick="sAll(this)" />
   </div>
   <div class="row">
    <div id="link_box_html_code_title" style="font-weight:bold">
    </div>
    <input type="text" id="HTMLLink" onclick="sAll(this)" />
   </div>
   <div class="row">
    <div id="link_box_direct_code_title" style="font-weight:bold">
    </div>
    <input type="text" id="DirectLink" onclick="sAll(this)" />
   </div>
  </div>
  <div id="v-ads">
  </div>
  <div id="dl_link">
  </div>
  <div id="progress">
  </div>
  <div id="loader">
   <img src="ajax-loader-b.gif" alt="loading.." width="16" height="11" />
  </div>
 </div>
 <div class="clear">
 </div>
</div>

Answer 1

API是基于JSON的，所以html文件的内容不会给您任何关于在哪里找到文件的线索。在探索像这样的web服务时，一个好主意是在Chrome的开发人员工具中打开Network选项卡，看看它在与页面交互时加载了哪些页面。该练习向我展示了两个特别有趣的urls：

1. http://www.youtube-mp3.org/api/pushItem/?item=http%3A//www.youtube.com/watch%3Fv%3DKMU0tzLwhbE&xy=trve&r=1314700829128
2. http://www.youtube-mp3.org/api/itemInfo/?video_id=KMU0tzLwhbE&adloc=&r=1314700829314

第一个url似乎正在排队等待处理的文件，第二个url则用于获取正在处理的作业的状态。

第二个url接受youtube GET参数，该参数是youtube (http://www.youtube.com/watch?v=KMU0tzLwhbE)上视频的id，并返回解码作业的状态。第二个和第三个似乎与此无关，您可以通过测试加载带有和不带有额外参数的url来进行验证。

该页面的内容为：

info = { "title" : "Developers", 
         "image" : "http://i4.ytimg.com/vi/KMU0tzLwhbE/default.jpg", 
         "length" : "3", "status" : "serving", "progress_speed" : "", 
         "progress" : "", "ads" : "", 
         "h" : "a0aa17294103c638fa7f5e0606f839d3" };

恰好是JSON数据。其中有趣的部分是"a0aa17294103c638fa7f5e0606f839d3“，它看起来像是web服务用来引用已解码的mp3文件的散列。另外，请查看首页上的下载链接：

http://www.youtube-mp3.org/get?video_id=KMU0tzLwhbE&h=a0aa17294103c638fa7f5e0606f839d3

现在我们把所有缺失的拼图拼凑在一起了。首先，我们获取youtube视频(http://www.youtube.com/watch?v=iKP7DZmqdbU)的url，引用它并使用以下url将其提供给api：

http://www.youtube-mp3.org/api/pushItem/?item=http%3A//www.youtube.com/watch%3Fv%3DiKP7DZmqdbU&xy=trve

然后，等待片刻，直到解码工作完成：

http://www.youtube-mp3.org/api/itemInfo/?video_id=iKP7DZmqdbU

使用在info url中找到的散列来构造下载url：

http://www.youtube-mp3.org/get?video_id=iKP7DZmqdbU&h=2e4b61b6ddc8bf83f5a0e4e4ee0635bb

请注意，这可能是网站的网站管理员不想被刮，并将采取反措施，如果人们开始(在网站管理员的眼睛)滥用网站。例如，它似乎使用了引用保护，所以点击这篇文章中的链接将不起作用，你必须复制它们并将它们加载到新的浏览器窗口中。

测试代码：

from re import findall
from time import sleep
from urllib import urlopen, quote

yt_code = 'gijypDkEqUA'

yt_url = 'http://www.youtube.com/watch?v=%s' % yt_code
push_url_fmt = 'http://www.youtube-mp3.org/api/pushItem/?item=%s&xy=trve'
info_url_fmt = 'http://www.youtube-mp3.org/api/itemInfo/?video_id=%s'
download_url_fmt = 'http://www.youtube-mp3.org/get?video_id=%s&h=%s'
push_url = push_url_fmt % quote(yt_url)
data = urlopen(push_url).read()
sleep(10)
info_url = info_url_fmt % yt_code
data = urlopen(info_url).read()
res = findall('"h" : "([^"]*)"', data)
download_url = download_url_fmt % (yt_code, res[0])
print 'Download here:', download_url

Answer 2

您可以使用selenium与js进行交互，然后将其与BeautifulSoup结合使用，或者使用selenium执行所有操作，就像您喜欢的那样。

http://seleniumhq.org/

Selenium是一种浏览器自动化工具，它绑定了几种语言，包括Python。它需要一个正在运行的Firefox/IE/Chrome实例，让我们编写脚本(对于这个简单的问题，我建议使用selenium webdriver，而不是整个selenium服务器)。

Answer 3

你将不得不通过http://www.youtube-mp3.org/client.js找出正在传递的确切信息，这个可以允许你发布请求，解析响应，并从正确的抓取url下载。