学Python也有段时间了，目前学到了Python的类。个人感觉Python的类不应称之为类，而应称之为数据类型，只是数据类型而已！只是数据类型而已！只是数据类型而已！重要的事情说三篇。
据书上说一个.py（常量、全局变量、函数、数据类型）文件为一个模块，那么就有了一种感觉：常量、全局变量、函数、数据类型是同一“级别的”。在此不多说了，收回自己的心思来看爬虫吧！
1、进百合网官网，单击“搜索”、单击“基本搜索”，这时会跳向另一个页面，该页面为登录页面（如图）：
2、找到login.js，具体步骤：F12、F5、network、js（如图）：
3、找登录时的异步请求，该请求在login.js中（如图）：
4、单击“基本搜索”，会得到两个异步请求
1：获取160个id (如图)：
2：根据id得到用户详细信息，为json数据（如图）：
说了这么多，该上代码了（总共261行）：
baihe.py:
#__author: "YuWei"
#__date: 2018/2/4
import requests
import time
import pymssql
import os # 8个人为一组，该常量用于判断列表的长度是否与网站一致
FING_INDEX = 8
# 请求头，伪装成浏览器
HEADERS = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:58.0) Gecko/20100101 Firefox/58.0'}
# 代理ip，防止被百合网封ip
HTTP_IP_PROXIES_1 = 'http://211.151.58.5:80'
HTTP_IP_PROXIES_2 = 'http://192.168.200.1:8081' def baihe_db(personal):
"""
数据库相关的操作 :param personal: 为字典类型，封装着个人具体信息
:return: 无
"""
# 数据连接
conn = pymssql.connect(host='localhost', user='YUANWEI', password='123456c', database='Baihe',charset='utf8')
cur = conn.cursor() # 游标
sql = """insert into users values({},'{}',{},'{}','{}','{}',{},'{}','{}','{}','{}');""" \
.format(personal['userID'], personal['nickname'], personal['age'], '男' if personal['gender'] == "" else '女',
personal['cityChn'], personal['educationChn'], personal['height'],
'没房' if personal['housing'] == 0 else '有房', '没车' if personal['car'] == 0 else '有车',
personal['incomeChn'],personal['marriageChn'])
print('sql: ', sql)
try:
cur.execute(sql) # 执行sql语句
save_photo(personal, get_miss_photo_binary(personal['headPhotoUrl'])) # 保存头像
print('成功获取该用户',personal['userID'])
except pymssql.IntegrityError:
print('该用户已存在 ',personal['userID'])
except SystemError as sy: # 向err.txt导入错误日志
with open('err.txt','a',encoding='utf8') as file:
file.write(personal['nickname'] + ' ' + str(personal['userID']) + ' 错误信息：' + str(sy) + '\n') # 写
except pymssql.ProgrammingError as pp:
with open('err.txt','a',encoding='utf8') as file:
file.write(personal['nickname'] + ' ' + str(personal['userID']) + ' 错误信息：' + str(pp) + '\n')
conn.commit() # 提交
time.sleep(1)
cur.close()
conn.close() def personal_data(lists):
"""
获取一组的详细信息，最多为8个 :param lists: 列表类型，封装着一组信息
:return: 无
"""
for personal_data_dict in lists: # 遍历一组信息
baihe_db(personal_data_dict) def get_miss_photo_binary(photo_url):
"""
获取照片的二进制数据 :param photo_url: 个人头像的url
:return: 二进制数据
"""
binary = ''
try:
# 向服务器发送get请求,下载图片的二进制数据
binary = requests.get(photo_url, headers=HEADERS,proxies={"http": HTTP_IP_PROXIES_2}).content
except requests.exceptions.MissingSchema as rem:
print(rem)
except requests.exceptions.ProxyError: # 代理网络连接慢或无网络
time.sleep(5)
# 递归调用get_miss_photo_binary()
get_miss_photo_binary(photo_url)
return binary def save_photo(personal,binary):
"""
以'E:/Baihe/1/'为文件目录路径 或 以'E:/Baihe/0/'为文件目录路径
以 name + id + .jpg 或 以 id + .jpg 为文件名
有可能无相片 :param personal: 字典类型，封装着个人具体信息
:param binary: 二进制数据
:return: 无
"""
if binary != '':
file_path = 'E:/Baihe/1/' if personal['gender'] == "" else 'E:/Baihe/0/' #
if not os.path.exists(file_path): # 如果该路径不存在
os.makedirs(file_path) # 创建该路径
try:
# 向file_path路径保存图片
with open(file_path + personal['nickname'] + str(personal['userID']) + '.jpg','wb') as file:
file.write(binary)
except OSError:
with open(file_path + str(personal['userID']) + '.jpg','wb') as file:
file.write(binary) def no_exact_division(miss_id_list):
"""
当包含用户id的列表长度不能被8整除且列表长度小于8时调用该方法 :param miss_id_list: 为列表类型，封装着用户id
:return: 无
"""
miss_info_lists = ba.get_miss_info(miss_id_list) # 获取列表的个人信息
personal_data(miss_info_lists) # 遍历一组的信息 class Baihe(object): def __init__(self,account,password):
"""
初始化
:param account: 账号
:param password: 密码
"""
self.is_begin = True # 开始爬取数据
self.index = 0 # 控制self.info长度为8个
self.info = [] # 临时保存用户id
self.page = 61 # 页码
self.account = account # 账号
self.password = password # 密码
self.req = requests.session() # 会话，保证Cookie一致 def login(self):
"""
登录 :return: 无
"""
# 登录的url
url_login = 'http://my.baihe.com/Getinterlogin/gotoLogin?event=3&spmp=4.20.87.225.1049&' \
'txtLoginEMail={}&txtLoginPwd={}'.format(self.account,self.password)
login_dict = {}
try:
# 向服务器发送get请求
login_dict = self.req.get(url_login,headers=HEADERS,proxies={"http": HTTP_IP_PROXIES_1},timeout=500).json()
except requests.exceptions.ProxyError: # 代理网络连接慢或无网络
time.sleep(5)
# 递归调用self.login()
self.login()
time.sleep(3)
print('login: ',login_dict)
self.req.keep_alive = False # 关闭会话多余的连接
if login_dict['data'] == 1:
print('登录成功')
else:
print('登录失败, 30分钟以后自动登录。。。。。。。。')
time.sleep(1800)
# 递归调用self.login()
self.login()
print('login is cookie ', requests.utils.dict_from_cookiejar(self.req.cookies)) # 查看登录后的会话cookie def filtrate_miss(self,pages):
"""
根据条件筛选数据，不提供条件参数 :param pages: 页码。该网站只提供62页的数据
:return: 包含160个用户的id的列表
"""
time.sleep(2)
# 获取用户id的url
url_miss = 'http://search.baihe.com/Search/getUserID'
# from表单数据
params_miss = {"minAge": 18, "maxAge": 85, "minHeight": 144, "maxHeight": 210, "education": '1-8',
"income": '1-12', "city": -1, "hasPhoto": 1, "page": pages, "sorterField": 1}
miss_dict = {}
try:
# 发送post请求
miss_dict = self.req.post(url_miss,data=params_miss,headers=HEADERS,proxies={'http':HTTP_IP_PROXIES_2}).json()
except requests.exceptions.ProxyError: # 代理网络连接慢或无网络
time.sleep(5)
# 递归调用self.filtrate_miss()
self.filtrate_miss(pages)
time.sleep(2)
print('miss is cookies ', requests.utils.dict_from_cookiejar(self.req.cookies)) # 查看筛选后的会话cookie
print('miss dict: ',miss_dict)
print(len(miss_dict['data']),'个')
return miss_dict['data'] def get_miss_info(self,infos):
"""
获取用户详细信息 :param infos: 列表类型，封装着个人id，可能为一组（8），或小于8个
:return: 包含一组的详细信息
"""
if len(infos) == FING_INDEX: # infos列表长度等于8时
url_info = 'http://search.baihe.com/search/getUserList?userIDs={},{},{},{},{},{},{},{}'\
.format(infos[0],infos[1],infos[2],infos[3],infos[4],infos[5],infos[6],infos[7])
else: # infos列表长度小于8时
bracket = '' # 参数userIDs的值
for lens in range(len(infos)):
bracket += (str(infos[lens]) + ',') # 构造该表示："{},{},{},{},{},{},{},{},"
# 获取用户详细信息的url bracket[:len(bracket)-1]： 分片，干掉最后一个“,”
url_info = 'http://search.baihe.com/search/getUserList?userIDs=' + bracket[:len(bracket)-1]
miss_info = {}
try:
# 发送post请求
miss_info = self.req.post(url_info,headers=HEADERS,proxies={'http':HTTP_IP_PROXIES_2}).json()
except requests.exceptions.ProxyError: # 代理网络连接慢或无网络
time.sleep(5)
# 递归调用self.get_miss_info()
self.get_miss_info(infos)
time.sleep(2)
try:
return miss_info['data']
except KeyError:
time.sleep(2)
self.get_miss_info(infos) def exact_division(self,miss_id_list):
"""
当包含用户id的列表长度能被8整除或包含用户id的列表长度不能被8整除且包含用户id的列表长度大于8 :param miss_id_list: id信息列表（160）
:return: 无
"""
for user_id in miss_id_list:
self.index += 1
self.info.append(user_id)
if ba.index == FING_INDEX:
print('user id: ', self.info)
miss_info_list = ba.get_miss_info(self.info) #
if None != miss_info_list:
# 使self.index，self.info为初值，以便8人一组
self.index = 0
self.info = []
print('miss info list: ', miss_info_list)
personal_data(miss_info_list) # 遍历一组（8）的信息
else:
print('miss info list is null')
continue def main(self):
"""
具体实施 :return: 无
"""
self.login() # 登录
while self.is_begin: # 开始
print('正在获取',self.page,'页.......')
miss_id_list = self.filtrate_miss(self.page) # 获取用户id列表
if len(miss_id_list) != 0: # 列表有id
num = len(miss_id_list) % FING_INDEX # 模运算
if num == 0: # 被8整除
self.exact_division(miss_id_list)
else: # 没有被8整除 , 虽然该分支没有执行，但还是要加上。因为该网站总是提供160个id
print('余数: ',num)
if len(miss_id_list) > FING_INDEX: # id列表的长度大于8
copy_miss_id_list = miss_id_list[:len(miss_id_list) - num] # 分片 取8个一组
self.exact_division(copy_miss_id_list)
no_exact_division(miss_id_list[len(miss_id_list) - num:]) # 余下的个人信息
else:
no_exact_division(miss_id_list) # 小于8个人的个人的信息
else:
print('数据已爬完。。。。。')
self.is_begin = False
self.page += 1
time.sleep(10)
# 运行
if __name__ == '__main__':
ba = Baihe('xxxxxxx', 'xxxxxxxxxx')
ba.main()
温馨提示：想爬女的，就找个性别为男的账号。想爬男的，就找个性别为女的账号。
如果要简单的分析一下所爬的数据，建议用男的账号，女的账号反复爬那么3-5次，这样数据才有有效性。