Cómo extraer datos de listas de reproducción de Spotify con Python

El scraping de datos puede describirse como la recopilación automatizada de datos de sitios web y, en el caso de Spotify, significa recopilar información sobre canciones, artistas, álbumes y otros elementos útiles para la analítica o la creación de aplicaciones musicales.

El uso de Python ayuda a extraer listas de reproducción de Spotify, así como el nombre del artista y las canciones. Esto es posible gracias a la API de Spotify, que permite obtener datos de forma legal y sin infringir las normas. Sin embargo, si la API no proporciona las herramientas necesarias, puedes utilizar web scraping. BeautifulSoup y Selenium son perfectas para el scraping de Spotify.

En este tutorial de raspado de datos de Spotify, aprenderás a instalar bibliotecas, trabajar con la API de Spotify, aplicar el raspado y guardar los datos en CSV.

Instale las bibliotecas necesarias

Por lo tanto, ya sabemos qué herramientas son adecuadas para extraer datos de Spotify con Python. Ahora, vamos a ver cómo instalar las librerías necesarias:

pip install beautifulsoup4
pip install selenium
pip install requests

Entonces, ¿para qué sirve cada uno?

• BeautifulSoup es una biblioteca muy práctica que permite recuperar información de páginas web. Recorre el código HTML de la página web de arriba abajo y luego extrae los elementos necesarios. También se utiliza para procesar contenido estático, por ejemplo extrayendo la lista de pistas de una página que esté abierta en ese momento.
• Mientras que BeautifulSoup funciona muy bien con sitios estáticos, esto no es suficiente para trabajar con contenido dinámico. Los sitios web dinámicos necesitan alguna forma de participación del usuario y ahí es donde entra Selenium. Esta biblioteca le ayuda a abrir páginas web mediante programación, pulsar botones, escribir texto, desplazarse y interactuar con diversos elementos del sitio.
• La librería Requests se utiliza para crear peticiones HTTP. Con ella, puedes enviar fácilmente una solicitud GET o POST y manejar APIs. Si no necesitas mucho compromiso con el sitio, como a través de Selenium, entonces usar Requests es más simple y directo.

Descargar el controlador web

Para que Selenium pueda controlar el navegador e interactuar con Spotify, necesita un controlador web. Se trata de un software especial que puede abrir páginas automáticamente, hacer clic en botones, etc.

Vamos a usar ChromeDriver, descárgalo de la web oficial y luego descomprímelo y guarda la ruta hacia él.

from selenium import webdriver

driver_path = "C:/webdriver/chromedriver.exe"  # Sustitúyalo por su ruta
driver = webdriver.Chrome(driver_path)
driver.get("https://google.com")

Definir la función para extraer los datos

Para hacer scraping de listas de reproducción de Spotify, es necesario analizar el código HTML de la página y determinar qué elementos contienen la información necesaria. Empecemos con Python Spotify playlist scraping siguiendo la guía paso a paso a continuación.

1. Análisis de páginas HTML

En el navegador, pulsando F12, puede ver la estructura HTML donde se encuentran los elementos necesarios. Ejemplo de dicha estructura:

<div class="tracklist-row">
    <span class="track-name">name</span>
    <span class="artist-name">artist</span>
    <span class="track-duration">3:45</span>
</div>

2. Configuración de Selenium

Para recopilar información, utilizaremos Selenium para cargar contenido dinámico y BeautifulSoup para analizar HTML.

from selenium import webdriver
import time
from bs4 import BeautifulSoup

3. Función para recoger datos de una lista de reproducción

A continuación se muestra un ejemplo de web scraping de Spotify utilizando Python, que abre la página de la lista de reproducción, analiza el código HTML y extrae información sobre las canciones.

Cómo funciona:

1. El navegador abre la página de la lista de reproducción.
2. Selenium desplaza automáticamente la página para cargar todas las canciones.
3. BeautifulSoup analiza el código HTML y encuentra los elementos necesarios por clases.
4. Se extrae información sobre el título de la pista, el artista y la duración.

def get_spotify_playlist_data(playlist_url):
   # Inicie el navegador a través de Selenium
   options = webdriver.ChromeOptions()
   options.add_argument("--headless")  # Ejecutar en modo headless (sin ventana del navegador)
   driver = webdriver.Chrome(options=options)

   driver.get(playlist_url)
   time.sleep(5)  # Esperar a que se cargue la página

   # Desplaza la página para cargar todas las pistas
   driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")

   # Obtener el código HTML de la página
   html = driver.page_source
   driver.quit()

   soup = BeautifulSoup(html, "lxml")

   # Buscar todas las pistas
   tracks = []
   for track in soup.find_all(class_="IjYxRc5luMiDPhKhZVUH UpiE7J6vPrJIa59qxts4"):
       name = track.find(
           class_="e-9541-text encore-text-body-medium encore-internal-color-text-base btE2c3IKaOXZ4VNAb8WQ standalone-ellipsis-one-line").text
       artist = track.find(class_="e-9541-text encore-text-body-small").find('a').text
       duration = track.find(
           class_="e-9541-text encore-text-body-small encore-internal-color-text-subdued l5CmSxiQaap8rWOOpEpk").text

       tracks.append({"track title": name, "artist": artist, "duration": duration})

   return tracks

Llamar a la función

Para llamar a la función, pásale la URL de la lista de reproducción de Spotify. La función la abre, raspa los datos de la lista de reproducción de Spotify con Python y devuelve una lista de títulos de canciones, artistas y duraciones.

playlist_url = "https://open.spotify.com/album/7aJuG4TFXa2hmE4z1yxc3n?si=W7c1b1nNR3C7akuySGq_7g" 

data = get_spotify_playlist_data(playlist_url)
for track in data:
   print(track)

Gestión de la autenticación para la API de Spotify

Para obtener información de la API de Spotify, necesitarás un token. Este se puede obtener a través de la autenticación. No podrás hacer peticiones a la API sin él. En la siguiente parte se detallará cómo conseguirlo.

1. Registrar la solicitud

Ve al panel de desarrolladores de Spotify, inicia sesión con tu cuenta o crea una si aún no la tienes. Tras iniciar sesión, registra la aplicación, rellena el formulario que incluye un nombre y una descripción. Una vez completado, se generarán para ti un ID de cliente y un secreto de cliente.

2. Obtener la ficha

Para obtener el token, utilizaremos peticiones en Python.

import requests
import base64

# Datos de su cuenta
CLIENT_ID = "client_id"
CLIENT_SECRET = "client_secret"

# Codificación en Base64
credentials = f"{CLIENT_ID}:{CLIENT_SECRET}"
encoded_credentials = base64.b64encode(credentials.encode()).decode()

# Envío de una solicitud para obtener el testigo
url = "https://accounts.spotify.com/api/token"
headers = {
    "Authorization": f"Basic {encoded_credentials}",
    "Content-Type": "application/x-www-form-urlencoded"
}
data = {"grant_type": "client_credentials"}

response = requests.post(url, headers=headers, data=data)
token = response.json().get("access_token")

print("Access Token:", token)

De este modo, añadimos la información recibida previamente y la ciframos de cierta manera para garantizar que la solicitud para obtener el token se envía correctamente. Se trata de una medida de seguridad habitual en muchas API. Después, enviamos una solicitud get para obtener el token. Una vez que lo obtengamos, se imprimirá en la consola.

3. Hacer peticiones

Una vez que tenga el token, podrá hacer solicitudes.

artist_id = "6qqNVTkY8uBg9cP3Jd7DAH"
url = f"https://api.spotify.com/v1/artists/{artist_id}"

headers = {"Authorization": f"Bearer {token}"}

response = requests.get(url, headers=headers)
artist_data = response.json()

Almacenar los datos extraídos

Para guardar los datos recogidos en formato JSON para su posterior análisis, utilizaremos la biblioteca estándar de Python.

playlist_url = "https://open.spotify.com/album/7aJuG4TFXa2hmE4z1yxc3n?si=W7c1b1nNR3C7akuySGq_7g"


data = get_spotify_playlist_data(playlist_url)


with open('tracks.json', 'w', encoding='utf-8') as json_file:
   json.dump(data, json_file, ensure_ascii=False, indent=4)
   print("Data saved to tracks.json")

Prácticas recomendadas para extraer datos de listas de reproducción de Spotify

Seguir unas prácticas éticas facilitará el proceso de scraping de Spotify utilizando Python. Para ello, obtén la API oficial de Spotify porque te da acceso legal a la información sin violar ninguna norma. Cuando hagas web scraping, recuerda reducir el número de peticiones si la API no satisface todas tus necesidades para evitar sobrecargar el servidor.

La política del sitio web se encuentra en el archivo robots.txt, así que compruébelo antes de escrapear el sitio web. Además, los servidores proxy son útiles para evitar bloqueos.

Conclusión

En esta guía para la recopilación de datos se han mostrado ejemplos de scraping de Spotify en Python, así como información adicional necesaria para la correcta gestión del proceso de scraping.

Destaquemos los puntos clave:

• Como BeautifulSoup analiza la página HTML e incluye potentes funciones de recopilación de información, es perfectamente adecuado para sitios estáticos.
• Cuando se trata de sitios dinámicos que requieren la interacción del usuario, Selenium es, con mucho, la mejor opción. Permite la pulsación automática de botones, el desplazamiento de páginas y la obtención de contenido dinámico.
• Hay reglas para el scraping ético. Seguirlas evitará que alguien sea bloqueado o sobrecargue el servidor. Es preferible utilizar la API de Spotify en lugar de analizar HTML.

El uso de estas herramientas de scraping de Spotify con Python permite recopilar fácil y rápidamente los datos necesarios, optimizando el proceso de análisis del contenido musical.