张家口桥西区建设局网站自创字 网站

由于要抓取的是悦音台mv的排行榜，这个排行榜是实时更新的，如果要求不停地抓取，这将有可能导致悦音台官方采用反爬虫的技术将ip给封掉。所以这里要应用一些反爬虫相关知识。

目标网址：http://vchart.yinyuetai.com/vchart/trends?area=ML

网站结构：

上面红线圈出来的地方都是需要注意的小细节：

首先 排行榜分为，内地、港台、欧美、韩国、日本五个地区
分别将其点开能够观察到url的变化为在最尾部加了一个参数：area=地区参数

很容易的就能知道参数列表：['ML','HT','US','JP','KR'] 分别对应着内地、香港、欧美、日本、以及韩国。发现这个规律之后，只要通过简单的对url的变化就能多次请求，筛选出想要的信息。

其次 可以发现，有的mv分数是呈现上升趋势，有的mv的分数是成下降趋势，这在网页的代码结构稍有不同。

最后，可以看到 这里mv的排行榜数据是实时更新的，所以爬虫程序要不停的在后台运行才能保证获得的数据是最新的，这样就会引起官方人员的注意，他们的反爬虫技术有可能就会将爬虫的IP封掉。

完整代码：

import requests
from bs4 import BeautifulSoup
import randomdef get_html(url):try:r = requests.get(url,timeout=30)r.raise_for_statusr.encoding = 'utf-8'return r.textexcept:return 'error'def get_agent():'''模拟header的user-agent字段，返回一个随机的user-agent字典类型的键值对'''agents = ['Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;','Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv,2.0.1) Gecko/20100101 Firefox/4.0.1','Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11','Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11','Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)']fakeheader = {}fakeheader['User-agent'] = agents[random.randint(0, len(agents))]return fakeheaderdef get_proxy():'''简单模拟代理池返回一个字典类型的键值对，'''proxy = ["http://116.211.143.11:80","http://183.1.86.235:8118","http://183.32.88.244:808","http://121.40.42.35:9999","http://222.94.148.210:808"]fakepxs = {}fakepxs['http'] = proxy[random.randint(0, len(proxy))]return fakepxsdef get_content(url):# 先打印一下表头if url[-2:] == 'ML':print('内地排行榜')elif url[-2:] == 'HT':print('香港排行榜')elif url[-2:] == 'US':print('欧美排行榜')elif url[-2:] == 'KR':print('韩国排行榜')else:print('日本排行榜')html = get_html(url)soup = BeautifulSoup(html,'lxml')li_list = soup.find_all('li',class_='vitem J_li_toggle_date ')for li in li_list:content = {}try:# 判断分数升降if li.find('h3',class_='desc_score'):content['分数'] = li.find('h3',class_='desc_score').textelse:content['分数'] = li.find('h3',class_='asc_score').textcontent['排名'] = li.find('div',class_='top_num').textcontent['名字'] = li.find('a',class_='mvname').textcontent['发布时间'] = li.find('p',class_='c9').text[5:]content['歌手'] = li.find('a',class_='special').textexcept:return Noneprint(content)def main():base_url = 'http://vchart.yinyuetai.com/vchart/trends?area='suffix = ['ML','HT','US','JP','KR']for suff in suffix:url = base_url + suffprint()get_content(url)if __name__ == '__main__':main()

输出结果：