Python 爬取 620 首虾米歌曲，揭秘五月天为什么狂吸粉？！

作者 | Yura
出品 | Yura不说数据说
最近两天，我被朋友圈的五月天粉丝（五迷）疯狂刷屏，“五月天永远陪你到20岁”“演唱会即视感”，这些字眼让我恨不得马上奔到电影院打卡。

作为五迷，我是满怀激情地在写这篇文章呀（美容觉什么的先不谈了，五月天要紧）。
今天我就用Python爬一爬虾米音乐，半分析半安利地给大家介绍一下这个充满有趣灵魂的组合。

数据获取

本次爬虫主要目的是爬取五月天所有歌曲的信息，信息维度当然是越多越好啦。
直接搜索关键词“五月天”，可能会出现歌名是“五月天”的信息，或者别人翻唱“cover五月天”的内容，搜索范围变大，多抓取了不少无用信息。
所以我以“五月天-艺人-专辑信息-歌曲id-歌曲详情”这个路径进行数据爬取。我发现，无论是专辑信息、歌曲list还是歌曲详情，都存在于非常漂亮的JSON格式里面：

本来可以美滋滋“唰唰唰”地批量下载。但是！URL里面有一个s的参数，我暂时找不到变化的规律（摔！）因为赶时间，就另辟蹊径，用相对麻烦一点的beautiful soup库来解析网页源代码的内容，过程很坎坷，这就是我为什么五月天大电影上映凌晨还在写这篇文章的原因……
而且，爬虫的时候我还遇到两个坑：
1.两天前能运行的代码，在今天居然解析不到所需的内容了，因为爬取的东西内容格式发生了很大变化。难道是我正巧赶上了他们内部修改源代码的节点嘛？无从查证。
2.两天前还在显示的歌曲详情（播放量和收藏量），今天一看全都变成0了，每首歌都这样。我让别的朋友用其他电脑查看，也是没信息的。“检查”了一下，Play Count这些参数直接变成Null了…？
最后得到三个文件，分别是专辑信息（50张）、歌曲列表（620首）和歌曲详情（620首），主要是通过专辑字符和歌曲id进行相关联，具体字段如下：

专辑信息（专辑种类、ID、封面、名字、艺术家、收藏数、语言、播放数、推荐数、歌曲数量、专辑字符、评分、评分人数、发布时间）
歌曲列表（专辑名字、歌曲名字、ID、时长、播放量）
歌曲详情（歌曲名字、别名、歌曲ID、时长、播放次数、作词、作曲、编曲、专辑名字、歌词、热门第一条评论、评论点赞数）

PPPs:不成熟的代码我一定会在一周之内更新到这儿（https://github.com/PengYura）

数据清洗

国际惯例：Excel画图表+Python画词云，（自认为）简单粗暴又高效。

数据分析

截止目前在虾米音乐平台关于五月天的一共有50张专辑，其中“正正经经”的专辑有9张（“录音室专辑”），“单曲”类专辑有20张，歌曲数量在1到6首不等。
判断作品的优劣，最明显快速的方式就是查看大众对其的评分，我们来瞧瞧这50张专辑的评分分布：

可以看到，将近一半的的专辑评分在9.8-10.0之间，只有3张专辑评分没超过9分。说明大众对其认可度还是相当高的。
五月天曾说过只会出10张专辑，随着2016年《自传》的发布，现在已经有9张跟大家见面啦。我们先看看这9张的数据情况。

按照发布时间顺序排列：

按照时间间隔可以看到，emmm，他们发专辑的间隔从1年慢慢变成2年、3年和5年，我很有理由怀疑下一张专辑可能在5年之后。
再看到发布时间的月份，4张专辑都是在7月份，其余的分布在10月、11月和12月，这…...难道是某种症（拖延症？）的体现？
据说五月天只会出10张专辑，我非常期待第10张，我也非常害怕10张之后再无新作品（那我的人生还有什么盼头）。
从评论收藏数量来看，最新专辑《自传》的播放数达7亿多次，收藏数量将近30万，推荐人数也是处于遥遥领先的地位。其次是《后青春的诗》和《第二人生》，分别占据了播放数和推荐数的第二。
但是我觉得很多别的老歌也都是很好听的呀，传唱度甚至更高。我们也可以在下面的歌曲详情分析中略窥一二。
根据专辑信息里面的歌曲ID（字符串形式和数字形式皆可），我们可以顺藤摸瓜爬取歌曲的信息（https://www.xiami.com/song/歌曲id），一共得到620首，除去没歌词的纯音乐歌曲55首，还剩565首。

这565首歌中，时长最短的是《轻功（京片子版）》，只有25秒。但是不管怎么样，也是李大哥的《贝贝》的6倍多了（逃）。
最长的是《出头天/憨人（live）》，有12分20秒。歌曲整体时间分布还是符合正态分布的，75%的歌曲时长都在4到7分钟之间。
神奇的是，平均每首歌的播放数量也是如此的趋势：时长为5分钟的歌曲平均每首歌播放次数有219w+。所以呀，写歌还是写5分钟多的，也许这样更容易火呢～
再看看播放数量TOP20的歌曲：

虽然《自传》专辑的歌曲拥有45%（9首）的占榜率，但是耳熟能详的《突然好想你》仍然以1.5亿次的播放量稳居TOP1。
这首歌有没有让你想起你的某位故人？
前面提到了专辑种类有许多，什么录音室专辑啦，现场专辑啦，精选集啦。里面有很多歌曲是一样的，只是版本不一样。
去重之后发现还剩177首歌。我们从歌曲的创作内容来看看五月天的歌到底有什么特点。
每首歌都要经历作词、作曲和编曲的过程。在这177首歌里面，主唱阿信参加了139次作词、100次作曲，我说一句阿信是创作小王子没人反对吧！
编曲方面，68%的歌曲都是由五月天整个团队完成的，还有31首歌是有其他人参与合作的，合作次数最高的是周恒毅(8次)。

为歌词做个词云，我发现了五月天为什么总是吸引大批五好青年的原因：胸怀“世界”，心中充满”爱“，敢“想”敢“笑”，不惧“人生”和“回忆”，勇敢怀揣着“梦”想。试问谁听了这些歌曲还能安然地继续做“咸鱼”呢？
关于歌曲评论，我只简单爬取了每首歌的第一条热门评论和点赞数，你猜怎么着？点赞数最高的3条内容，其中两条内容迷之接近：

Ok，我承认，我就是为了听五月天而下载虾米的，肤浅而热烈。
文章开头提到了，五月天最近的演唱会纪实大电影《五月天人生无限公司》在昨天上映啦。
这部电影记录了五月天从2017年3月18日到2019年1月6日，415万歌迷穿过55座城市陪伴打卡的122场演唱会。我因为种种原因还没去打卡这部电影。但是，我还是忍不住去豆瓣看了大家的评论。

截止目前豆瓣评分8.9分，65%的观众给这部电影打了满分！作为400万群演之一，我觉得我很骄傲！

最后的最后，一场生活一场五月天，加入五月天永远不会太迟让我们一起迈向80岁

作者简介：Yura，计算机科学与技术专业大四在读，因在澳洲交换学习接触了大数据，甚感兴趣。遂开公众号“Yura不说数据说”督促自己学习数据分析！欢迎大家关注我的个人公众号，一起（监督我）学习。
感谢阅读
推荐阅读：
1：互联网薅羊毛指南
2：互联网人与前公司的爱恨情仇
3：任正非：5G 背后有个不谈恋爱的小伙子
4：2018年Python爱好者社区历史文章合集（作者篇）
5：2018年终精心整理|Python爱好者社区历史文章合集（类型篇）