[求指导]如何利用脚本/程序从静雅思听网站下载音乐文件？

[eexpress]

用油猴啊。这倒是可以。
平时都是爬，要带复杂的js外挂模块，那很难，模块还没人维护了。

[highwind]

我是想一步一步来的，先学下一个 再看能不能下一批，因为每天每个类别都有更新。
因为蛮喜欢这个网站的，就是不知道这样多网站会不会有啥不利的。


Sent from Tapatal

我刚开试了下, 是可以批量下载的, 我同时下载了6首mp3, 没问题.

如果考虑网站负担的话, 不妨在晚上睡觉前开始下载, 因为零晨以后的网速快, 网站的访问量也很小了.

我可以帮你写一个下载的程序, 刚才我想了一下, 可以有这些功能:
* 自动分类
* 自动将mp3的标签转为UTF8格式的, 因为它默认的是gbk, 会有乱码.
* 多线程下载.

哇塞，都不知道怎么感谢了，反正我也只是拿这个学学写脚本而已，如果有人提点再好不过啦。
那个乱码确实没法子，只好自己转了，跟网站提过建议的，不过他们还没回音；
分类的话，其实倒也不打紧，我现在都是按每篇文章来分类（手动建立文件夹而已），当然要是学会怎么自动分也很开心啊；
多线程不错啊，不过每个文件都不大，单线程一会儿也下完了，而且是不是相应可以多下几个文件呢（待求证）；
另外如果是注册用户，每次下载好像都会有点小积分，不知道咱要是用脚本下，这个网站能不能识别呢？

@highwind
已经写好, 需要的话可以联系我, 下载速度还行, 默认是3个下载线程.
我的gtalk 是 gsushzhsosgsu@gmail.com, 也可以发邮件

==========
17:33 更新
把程序上传到了github里, 这里: https://github.com/LiuLang/monkey-video ... er/justing
只需要下载那个justing.py文件, 然后安装必要的python3依赖包, 就可以运行了.

真是万事开头难啊，运行（我用的命令是python3 justing.py）的时候遇到个问题，如下：

代码： 全选

Traceback (most recent call last):
  File "/usr/lib/python3/dist-packages/lxml/cssselect.py", line 16, in <module>
    external_cssselect = __import__('cssselect')
ImportError: No module named 'cssselect'

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "justing.py", line 22, in <module>
    from lxml.cssselect import CSSSelector as CSS
  File "/usr/lib/python3/dist-packages/lxml/cssselect.py", line 18, in <module>
    raise ImportError('cssselect seems not to be installed. '
ImportError: cssselect seems not to be installed. See http://packages.python.org/cssselect/

那么想来是cssselect没有安装咯？可是我查了下python-cssselect我已经安装了0.8.1版，不过链接网站提示现在已经更新到0.9.1，于是又用pip安装（其实是升级 --upgrade）cssselect，提示

代码： 全选

Requirement already up-to-date: cssselect in /usr/local/lib/python2.7/dist-packages
Cleaning up...

那么应该是装好了，可是为啥在python2里面？不太明白，2和3共享的？


------------------------------------罗哩罗嗦的分割线，以防本人忘记，以供菜鸟参阅------------------------------------------------------

ps：当然我也试过python justing.py运行，不过得在文件首行添加#coding=utf-8，不然中文注释行会报错，但是添加后还是有问题的

代码： 全选

    from urllib.error import URLError
ImportError: No module named error

我想应该是用python2去运行python3的问题吧，也就没继续按这个思路研究下去了。

接前文--》后来发现并不是2和3共享了，其实还有个专门的python3-pip，
用pip3 install cssselect安装

代码： 全选

Downloading/unpacking cssselect
  Downloading cssselect-0.9.1.tar.gz
  Running setup.py egg_info for package cssselect
    
    no previously-included directories found matching 'docs/_build'
Installing collected packages: cssselect
  Running setup.py install for cssselect
    
    no previously-included directories found matching 'docs/_build'
Successfully installed cssselect
Cleaning up...

代码： 全选

Requirement already satisfied (use --upgrade to upgrade): cssselect in /usr/local/lib/python3.3/dist-packages
Cleaning up...

感觉这回应该对了。

然后是miss的mutagenx，一样用pip3安装就行
----------------------------------------------------------------------------------------------------------------------------------------------------
OK ，程序在运行了。。。 接下来就可以读读您的程序，理解理解，看看怎么只去下载每日更新的啦。

最后非常非常地再次感谢nae6taiyie0T。

[gdsing]

http://www.justing.com.cn/page/ $x .html ===> $title ===> http://dl.justing.com.cn/page/ $title .mp3

只测试了几个，账号也没注册。
发现下载地址都是用title的内容作文件名

[nae6taiyie0T]

@highwind

你的学习能力很强嘛.
缺少的那几个python3 库, 我在 https://github.com/LiuLang/monkey-videos 里面都列出来了, 只是你没仔细看而已
只需要用pip3 命令安装上就可以了.

我试着下载了100多首mp3, 没有问题, 速度很快.
写这个程序, 主要精力是花在了学习 mutagenx 模块上, 最后, 将mp3里的ID3tag 进行重写, 下面是一个例子, 里面的信息算是很全了, 都是从网页里面抓取出来的. 在重写之前, 里面的几个字段都是垃圾信息, 还有乱码.

还有更多的功能可以加入, 比如
* 下载完成后弹出桌面通知.
* 自动查找当前最大的ID, 也就是你说的获取每日更新的信息.
* 界面再优化一下.

刚才更新了程序, 已经可以获取当前的最大ID了, 看截图. 我试了下, 这个网站的用户还是挺活跃的, 一会儿的功夫, 就上传了几十个mp3.

refresh-button-added.png (10.34 KiB) 查看 6557 次

[highwind]

啊呀，真不好意思，不好好读readme的坏习惯又暴露啦。
首先还是要谢谢啦，又那么快更新了程序。

我当时想要完成这个操作吧，得分这么几个模块：
1.获取今日要下载的文件有那些，其实这个网站更新比较规律，每日（大概凌晨左右）会更新18篇新的文件，散布在各个分类里。我一开始想的是截取网页代码里的有关日期的条目来进行判断（保险起见的话，这还得至少历遍一下各分类里18个url，貌似有些繁琐了），您用ID直接完成的话，就简洁省事的多啦;
2.判断好那些文章要下以后，就可以获取文件链接，然后下载了;
3.分类的话，我因为每天都下，所以就简单地手动归档了，毕竟哪些文章想听，哪些已经更新完（系列文章最后一篇一般会提示[完]，或者上下篇的两篇都齐备了）又得花点功夫去实现;
4.最后就是下载下来的文件要转tag，这个在论坛里我也和各位大侠讨论过，有不少实现方式，不过因为现在有了deadbeef，而且平时都是带在身上听，随身听或者ipod之类都不太会乱码，也就不太惧了。当然您这里提到mutagenx，确实很有借鉴价值啊，我也得好好去看看，能直接不显示乱码，何乐而不为呢。

另外python虽说时有耳闻，但编程啥还没基础，代码还且待我慢慢看啊。
ps：构建GUI的部分，是您直接写的，还是用工具搭建好再贴过来的呀？

[nae6taiyie0T]

GUI 是用gtk3的界面, 代码都在justing.py 里面.

上面有两个截图, 是nautilus 里面点击mp3的右键, 显示出来的属性.

如果只需要下载少数特定的几个, 可以用之前发的那个油㺅脚本, 用起来也算方便.

[highwind]

@nae6taiyie0T

不好意思啊，我又回来啦，这几天恶补python，刚开了个头还不是特别懂，不过还是迫不及待地想来问问题。
这次的重点是请教cssselect模块的：
1，首先先请教确认下我的理解是否正确，比如标题（title）吧：
从url解析到tree（一整个网页的源代码倒确实挺像一棵树的结构的）再用CSS（cssselect）解析（用div#title参数得到div下ID为title的元素）后传输给info。（大致应该是这么个流程吧？）
2，然后为了达到下载特定日期上传作品的目的
{
为了好说明我就先自定义下这个网站的结构，姑且以之前提到《瘾的世纪》为例：
下载url：http://dl.justing.com.cn/page/瘾的世纪.mp3
作品url：http://www.justing.com.cn/page/74012.html
分类url：http://www.justing.com.cn/category.jsp?cateId=1
}
我在“分类url”下找到一个timestamp标签，但是这样的话，就牵涉到作品url对应分类url的事，有点麻烦。
后来看到在“作品url”里其实每个作品的上传日期（对应“分类url”的timestamp）都会有一项

代码： 全选

background:url('/stage/img2/bgdetaildeploydate.png') no-repeat

标记，所以我想要不用它来暂时作为timestamp标签，然后做个判断？可是应该怎么写解析呢，

代码： 全选

CSS("style[background='*bgdetaildeploydate*']")  ？？？

，试了半天都不行，不太懂网页这方面东西可否稍微提点一下？？

多谢啦
ps，我个人是想记录下学习过程，所以想放在论坛上。不知道您喜欢用那种方式联系：论坛，Github，抑或邮箱？


-----------------------------------------------------------------------------信息更新_开始-----------------------------------------------------------------------------
之前也听过爬虫，包括ee的回复里也提到了，现在才知道其实现在弄得东西就是个爬虫呀！

好久没去这个网站的首页http://www.justing.com.cn/index.jsp逛过了
才发现其实似乎有更方便的方法了
首页的源文件里id="tabs-3"下的那十八篇正是我想要的，而且每篇的href="/page/XXX"里正好是所需的ID，如果能解析出来再调用下载模块应该就可以了。
所以现在的问题又回到之前，怎么使用cssselect模块把timestamp，ID这类信息截取出来？

乱七八糟找来些网页解析的东西东拼西凑了一个：

代码： 全选

#!/usr/bin/env python3
from urllib import request
from bs4 import BeautifulSoup as BS

JustingHtml = request.urlopen('http://www.justing.com.cn/index.jsp').read()
JustingSoup = BS(JustingHtml)
JustingSoupFind = JustingSoup.select('#tabs-3 > p > a[target="_blank"]')
for i in range(18):
    print(JustingSoupFind[i].text)

然后请问：
1.我这个是用BeautifulSoup模块搞的，不知道cssselect怎么使（如果用同样的选择参数，就只能截取出第一个来，可是还跟了一个由   转过来的 \xa0 ，这个又该怎么处理呢？）？
2.请问如何把这个整合到您写的脚本里去呢？

-----------------------------------------------------------------------------信息更新_结束-----------------------------------------------------------------------------

[highwind]

另外，麻烦大大帮忙把这个帖子移到python区吧，谢谢拉。

[highwind]

代码： 全选

#!/usr/bin/env python3

import urllib.request
from bs4 import BeautifulSoup as BS

NUM = 18

def getHtml(url):
    html = urllib.request.urlopen(url).read()
    return html

def getMP3(html):
    Soup = BS(html)
    SoupFind = Soup.select('#tabs-3 > p > a[target="_blank"]')
    return SoupFind

def editMP3(mp3):
    mp3_E = list(range(NUM))
    for i in range(NUM):
            mp3_E[i] = mp3[i].text[0:(len(mp3[i].text)-1)]
#          或者用strip好像也行mp3_E[i]  = mp3[i].text.strip('\xa0')
    return mp3_E

Justingurl = 'http://www.justing.com.cn/index.jsp'
Justinghtml = getHtml(Justingurl)
Justingmp3 = getMP3(Justinghtml)
Justingmp3_E = editMP3(Justingmp3)

def main():
    for i in range(NUM):
        print('http://dl.justing.com.cn/page/{0}.mp3'.format(Justingmp3_E[i]))

if __name__=="__main__":
    main()

照猫画虎了一个，能输出下载地址了，当然肯定有很多看起来傻傻的地方，还请大家多指教。
另外，如果想用urlretrieve下载会有以下错误：

代码： 全选

UnicodeEncodeError: 'ascii' codec can't encode characters in position

请问这个跟我操作系统的env没关系吧？

因为不会调用下载，暂时将url保存到文件然后用wget下载，再配合crontab，也算阶段性地解决了本贴一开始提出的问题了，哈哈。

代码： 全选

 wget -c --restrict-file-names=nocontrol -i URLLIST_file 

[highwind]

多谢nae6taiyie0T的耐心指导
小结一下：
cssselect选择，在本例中：

代码： 全选

from lxml import html
from lxml.cssselect import CSSSelector as CSS
url = 'http://www.justing.com.cn/index.jsp'
tree = html.parse(url)
sel = CSS('div#tabs-3 > p > a[target="_blank"]')
elem=sel(tree)
elem[索引数].text

当然屁股后面跟着的\xa0还得再加工一下

ASCII码的转换看下面：

代码： 全选

from urllib import parse
parse.quote(文件名)

------------------------------------2014-03-06 更新------------------------------------
鼓励下自己，今天总算看完，明白了程序，图形化那块有点复杂。

[highwind]

学了些队列下载的东西，快了不少。
图形化还是没会，补上这一贴鼓励下自己。
[python]
#!/usr/bin/env python3
import os
#import commands
import urllib.parse
import queue
import threading
from time import time,localtime,strftime

Justing_basedir = "/home/"
Justing_list = "/home/.JustingToday.log"
Justing_downloadNum = 6

class download(threading.Thread):
def __init__(self,que,todir):
threading.Thread.__init__(self)
self.que=que
self.todir=todir
def run(self):
while True:
if not self.que.empty():
#os.system("wget -c -P "+self.todir+" --restrict-file-names=nocontrol "+self.que.get())
#os.system("axel -n6 -a -o "+self.todir+" "+self.que.get())
#commands.getstatus("axel -n6 -a -o "+self.todir+" "+self.que.get())
print(os.system("axel -n6 -a -o "+self.todir+" "+self.que.get()))
else:
break

def startDown(list,todir,num):
listf = open(list,"r",encoding="utf-8")
que=queue.Queue()
for lines in listf:
downloadurl = urllib.parse.quote(lines, safe=':/?=').strip('%0A')
que.put(downloadurl)
for i in range(num):
d=download(que,todir)
d.start()
listf.close()

def makefolder(todir):
timepath = strftime("%Y-%m-%d_%H-%M-%S",localtime(time()))
allpath = os.path.join(todir,timepath)
os.makedirs(allpath)
#print(allpath)
return allpath

if __name__=='__main__':
startDown(Justing_list,makefolder(Justing_basedir),Justing_downloadNum)
# End of the Program
[/python]

[highwind]

https://github.com/highwindmx/JustingToday
最近简单合并了一下生成列表和下载的模块
有个新问题，怎么让打开文件夹的动作在下载完成后再执行呀？？？