利用Python编写脚本批量下载公众号中的音频

上一篇博客教大家下载了公众号中的音频文件，这次利用python脚本进行批量下载。

首先还是跟上一次操作差不多，先把微信设置好，然后点击链接，进入浏览器中

这次我们要爬取的就是这些文章中的音频。

首先我们要知道如何下载当前页面的音频，还是F12，然后点击network，Media，点击播放按钮，弹出下面的文件

双击文件，弹出新的页面，此时的页面链接就是该音频的真实地址，可以通过访问该网址得到音频文件。

为了了解该文件是如何传输的，我们用burpsuite抓包看看

这个就是请求报文的头部，Go

返回的响应包体中包含大量的乱码，其实这个就是音频文件本身。我们的音频文件传输都是以这种方式传输的，看看Hex形式的样子

我们把这些字符保存下来会怎么样呢？

点击Headers，在下方点击右键，选择copy to file

保存为1.mp3,这时保存的路径就出现一个名为1.mp3的文件，点击运行，果然可以播放。

其实说了这么多就是为了告诉大家，音乐文件的存储不外乎这些字符，我们只需要把得到的报文中的字符保存成文件，就相当于保存了音乐本身。

知道了这个知识，我们就可以进行下一步操作，就是利用python模拟访问网页。

1.获取歌曲的真实下载地址

这个是获得音乐真实下载地址的代码，headers中的User-Agent和Cookie是必不可少的。因为微信中的网页对用户浏览器做了严格的限制，打开微信公众号的文章时，都会首先校验是否是微信浏览器打开，如果不是，会弹出请用微信浏览器打开的网页。而为什么我们现在能通过电脑浏览器访问微信公众号的页面呢？就是因为我们从微信中点开该链接时，系统自动帮我们加上了微信浏览器的UA。

利用requests库访问目标url，从返回的内容中找到'voice_encode_fileid="(.*?)"'字符串，然后返回给url。

上面这个操作有两个需要注意的：

1.前面的url和后面返回的url不是一个url，前面的url是我们最开始点击的链接，也就是公众号文章的链接。而后一个链接是从公众号文章中获取到的歌曲真实下载地址链接。

2.为什么找'voice_encode_fileid="(.*?)"'这个字符串呢？

因为我们要获取到歌曲真实的下载地址，如何在页面中找到这个地址呢？

首先检查元素，找到歌曲的编号

我们检查网页源代码，搜索歌曲的编号

看到该歌曲的编号前面字符串就是'voice_encode_fileid='，然后中间的(.*?)这个是python的re模块贪婪匹配的符号，我们需要将这个代替我们想要获取的字符串。最后我返回了一个url和一个名字，主要是为了下载歌曲时命名所用。

通过上面的操作我们获得了歌曲的真实下载地址，接下来就是下载歌曲

2.下载歌曲

下载歌曲的代码其实就相当简单明了，通过字符串拼接出真实下载地址，然后get，将获得的响应报文中的包体写入到文件中，文件的名字就是上一步获取到的名字。

这里主要涉及到的就是歌曲的保存问题，有了前面的知识，相信理解起来也就不是太难了。

3.获取其他歌曲的链接

上面的代码就是获取其他歌曲的链接，也是通过检查页面源代码，然后找到网页中其他歌曲的链接并保存下来。

这个函数中有一个url_queue,这个是python中的队列，主要是避免多线程操作时出现未知的内存错误。

获得了链接后，该函数会将url放入到url_queue队列中，等待get_url函数读取到其真实的歌曲下载地址。

4.主函数，模块的组合

程序首先定义一个队列，用来存放歌曲链接，然后定义了一个url_list，存放初始的公众号文章链接，通过这些链接获取到更多的链接。然后定义一个循环，对url_list中的url进行爬取，获得更多的歌曲链接。最后定义了一个循环，获取到歌曲的真实下载链接和名字，然后通过get_music()函数将歌曲保存到本地。

点击运行

可以看到程序先读取了url_list

然后保存相关的歌曲，并将歌曲命名为该编号的最后3个字符

最后获取到了39个歌曲，这个爬虫只是一个粗略的版本，并没有对很多情况进行处理，这个只能算一个爬取一轮的爬虫，并没写递归或循环进行更加深度或广度的爬取。需要爬取别的页面可以将页面的url放入到main函数的url_list中，未来有机会再研究更加深度的爬虫。

代码如下：