详解如何用Python写个听小说的爬虫

来源：脚本之家时间：2022-02-19 18:10:01

书名和章节列表

随机点开一本书，这个页面可以使用 BeautifulSoup 获取书名和所有单个章节音频的列表。复制浏览器的地址，如：https://www.tingchina.com/yousheng/disp_31086.htm。

from bs4 import BeautifulSoup
import requests
import re
import random
import os

headers = {
    "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36"
}

def get_detail_urls(url):
    url_list = []
    response = requests.get(url, headers=headers)
    response.encoding = "gbk"
    soup = BeautifulSoup(response.text, "lxml")
    name = soup.select(".red12")[0].strong.text
    if not os.path.exists(name):
        os.makedirs(name)
    div_list = soup.select("div.list a")
    for item in div_list:
        url_list.append({"name": item.string, "url": "https://www.tingchina.com/yousheng/{}".format(item["href"])})
    return name, url_list

音频地址

打开单个章节的链接，在 Elements 面板用章节名称作为搜索词，在底部发现了一个 script，这一部分就是声源的地址。

在 Network 面板可以看到，声源的 url 域名和章节列表的域名是不一样的。在获取下载链接的时候需要注意这一点。

def get_mp3_path(url):
    response = requests.get(url, headers=headers)
    response.encoding = "gbk"
    soup = BeautifulSoup(response.text, "lxml")
    script_text = soup.select("script")[-1].string
    fileUrl_search = re.search("fileUrl= "(.*?)";", script_text, re.S)
    if fileUrl_search:
        return "https://t3344.tingchina.com" + fileUrl_search.group(1)

下载

惊喜总是突如其来，把这个 https://t3344.tingchina.com/xxxx.mp3 放入浏览器中运行居然是 404。

肯定是少了关键性的参数，回到上面 Network 仔细观察 mp3 的 url，发现在 url 后面带了一个 key 的关键字。如下图，这个 key 是来自于https://img.tingchina.com/play/h5_jsonp.asp?0.5078556568562795的返回值，可以使用正则表达式将 key 取出来。

def get_key(url):
    url = "https://img.tingchina.com/play/h5_jsonp.asp?{}".format(str(random.random()))
    headers["referer"] = url
    response = requests.get(url, headers=headers)
    matched = re.search("(key=.*?)";", response.text, re.S)
    if matched:
        temp = matched.group(1)
        return temp[len(temp)-42:]

最后的最后在__main__中将以上的代码串联起来。

if __name__ == "__main__":
    url = input("请输入浏览器书页的地址：")
    dir,url_list = get_detail_urls()

    for item in url_list:
        audio_url = get_mp3_path(item["url"])
        key = get_key(item["url"])
        audio_url = audio_url + "?key=" + key
        headers["referer"] = item["url"]
        r = requests.get(audio_url, headers=headers,stream=True)
        with open(os.path.join(dir, item["name"]),"ab") as f:
            f.write(r.content)
            f.flush()

完整代码

from bs4 import BeautifulSoup
import requests
import re
import random
import os

headers = {
    "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36"
}

def get_detail_urls(url):
    url_list = []
    response = requests.get(url, headers=headers)
    response.encoding = "gbk"
    soup = BeautifulSoup(response.text, "lxml")
    name = soup.select(".red12")[0].strong.text
    if not os.path.exists(name):
        os.makedirs(name)
    div_list = soup.select("div.list a")
    for item in div_list:
        url_list.append({"name": item.string, "url": "https://www.tingchina.com/yousheng/{}".format(item["href"])})
    return name, url_list
    
def get_mp3_path(url):
    response = requests.get(url, headers=headers)
    response.encoding = "gbk"
    soup = BeautifulSoup(response.text, "lxml")
    script_text = soup.select("script")[-1].string
    fileUrl_search = re.search("fileUrl= "(.*?)";", script_text, re.S)
    if fileUrl_search:
        return "https://t3344.tingchina.com" + fileUrl_search.group(1)
        
def get_key(url):
    url = "https://img.tingchina.com/play/h5_jsonp.asp?{}".format(str(random.random()))
    headers["referer"] = url
    response = requests.get(url, headers=headers)
    matched = re.search("(key=.*?)";", response.text, re.S)
    if matched:
        temp = matched.group(1)
        return temp[len(temp)-42:]

if __name__ == "__main__":
    url = input("请输入浏览器书页的地址：")
    dir,url_list = get_detail_urls()

    for item in url_list:
        audio_url = get_mp3_path(item["url"])
        key = get_key(item["url"])
        audio_url = audio_url + "?key=" + key
        headers["referer"] = item["url"]
        r = requests.get(audio_url, headers=headers,stream=True)
        with open(os.path.join(dir, item["name"]),"ab") as f:
            f.write(r.content)
            f.flush()