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:
1 #__author: "YuWei" 2 #__date: 2018/2/4 3 import requests 4 import time 5 import pymssql 6 import os 7 8 # 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 9 FING_INDEX = 8 10 # 请求头,伪装成浏览器 11 HEADERS = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:58.0) Gecko/20100101 Firefox/58.0‘} 12 # 代理ip,防止被百合网封ip 13 HTTP_IP_PROXIES_1 = ‘http://211.151.58.5:80‘ 14 HTTP_IP_PROXIES_2 = ‘http://192.168.200.1:8081‘ 15 16 def baihe_db(personal): 17 """ 18 数据库相关的操作 19 20 :param personal: 为字典类型,封装着个人具体信息 21 :return: 无 22 """ 23 # 数据连接 24 conn = pymssql.connect(host=‘localhost‘, user=‘YUANWEI‘, password=‘13974162858x‘, database=‘Baihe‘,charset=‘utf8‘) 25 cur = conn.cursor() # 游标 26 sql = """insert into users values({},‘{}‘,{},‘{}‘,‘{}‘,‘{}‘,{},‘{}‘,‘{}‘,‘{}‘,‘{}‘);""" 27 .format(personal[‘userID‘], personal[‘nickname‘], personal[‘age‘], ‘男‘ if personal[‘gender‘] == "1" else ‘女‘, 28 personal[‘cityChn‘], personal[‘educationChn‘], personal[‘height‘], 29 ‘没房‘ if personal[‘housing‘] == 0 else ‘有房‘, ‘没车‘ if personal[‘car‘] == 0 else ‘有车‘, 30 personal[‘incomeChn‘],personal[‘marriageChn‘]) 31 print(‘sql: ‘, sql) 32 try: 33 cur.execute(sql) # 执行sql语句 34 save_photo(personal, get_miss_photo_binary(personal[‘headPhotoUrl‘])) # 保存头像 35 print(‘成功获取该用户‘,personal[‘userID‘]) 36 except pymssql.IntegrityError: 37 print(‘该用户已存在 ‘,personal[‘userID‘]) 38 except SystemError as sy: # 向err.txt导入错误日志 39 with open(‘err.txt‘,‘a‘,encoding=‘utf8‘) as file: 40 file.write(personal[‘nickname‘] + ‘ ‘ + str(personal[‘userID‘]) + ‘ 错误信息:‘ + str(sy) + ‘\n‘) # 写 41 conn.commit() # 提交 42 time.sleep(1) 43 cur.close() 44 conn.close() 45 46 def personal_data(lists): 47 """ 48 获取一组的详细信息,最多为8个 49 50 :param lists: 列表类型,封装着一组信息 51 :return: 无 52 """ 53 for personal_data_dict in lists: # 遍历一组信息 54 baihe_db(personal_data_dict) 55 56 def get_miss_photo_binary(photo_url): 57 """ 58 获取照片的二进制数据 59 60 :param photo_url: 个人头像的url 61 :return: 二进制数据 62 """ 63 binary = ‘‘ 64 try: 65 # 向服务器发送get请求,下载图片的二进制数据 66 binary = requests.get(photo_url, headers=HEADERS,proxies={"http": HTTP_IP_PROXIES_2}).content 67 except requests.exceptions.MissingSchema as rem: 68 print(rem) 69 except requests.exceptions.ProxyError: # 代理网络连接慢或无网络 70 time.sleep(5) 71 # 递归调用get_miss_photo_binary() 72 get_miss_photo_binary(photo_url) 73 return binary 74 75 def save_photo(personal,binary): 76 """ 77 以‘E:/Baihe/1/‘为文件目录路径 或 以‘E:/Baihe/0/‘为文件目录路径 78 以 name + id + .jpg 或 以 id + .jpg 为文件名 79 有可能无相片 80 81 :param personal: 字典类型,封装着个人具体信息 82 :param binary: 二进制数据 83 :return: 无 84 """ 85 if binary != ‘‘: 86 file_path = ‘E:/Baihe/1/‘ if personal[‘gender‘] == "1" else ‘E:/Baihe/0/‘ # 87 if not os.path.exists(file_path): # 如果该路径不存在 88 os.makedirs(file_path) # 创建该路径 89 try: 90 # 向file_path路径保存图片 91 with open(file_path + personal[‘nickname‘] + str(personal[‘userID‘]) + ‘.jpg‘,‘wb‘) as file: 92 file.write(binary) 93 except OSError: 94 with open(file_path + str(personal[‘userID‘]) + ‘.jpg‘,‘wb‘) as file: 95 file.write(binary) 96 97 98 def no_exact_division(miss_id_list): 99 """ 100 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 101 102 :param miss_id_list: 为列表类型,封装着用户id 103 :return: 无 104 """ 105 miss_info_lists = ba.get_miss_info(miss_id_list) # 获取列表的个人信息 106 personal_data(miss_info_lists) # 遍历一组的信息 107 108 109 class Baihe(object): 110 111 def __init__(self,account,password): 112 """ 113 初始化 114 :param account: 账号 115 :param password: 密码 116 """ 117 self.is_begin = True # 开始爬取数据 118 self.index = 0 # 控制self.info长度为8个 119 self.info = [] # 临时保存用户id 120 self.page = 29 # 页码 121 self.account = account # 账号 122 self.password = password # 密码 123 self.req = requests.session() # 会话,保证Cookie一致 124 125 def login(self): 126 """ 127 登录 128 129 :return: 无 130 """ 131 # 登录的url 132 url_login = ‘http://my.baihe.com/Getinterlogin/gotoLogin?event=3&spmp=4.20.87.225.1049&‘ 133 ‘txtLoginEMail={}&txtLoginPwd={}‘.format(self.account,self.password) 134 login_dict = {} 135 try: 136 # 向服务器发送get请求 137 login_dict = self.req.get(url_login,headers=HEADERS,proxies={"http": HTTP_IP_PROXIES_1},timeout=500).json() 138 except requests.exceptions.ProxyError: # 代理网络连接慢或无网络 139 time.sleep(5) 140 # 递归调用self.login() 141 self.login() 142 time.sleep(3) 143 print(‘login: ‘,login_dict) 144 self.req.keep_alive = False # 关闭会话多余的连接 145 if login_dict[‘data‘] == 1: 146 print(‘登录成功‘) 147 else: 148 print(‘登录失败, 30分钟以后自动登录。。。。。。。。‘) 149 time.sleep(1800) 150 # 递归调用self.login() 151 self.login() 152 print(‘login is cookie ‘, requests.utils.dict_from_cookiejar(self.req.cookies)) # 查看登录后的会话cookie 153 154 def filtrate_miss(self,pages): 155 """ 156 根据条件筛选数据,不提供条件参数 157 158 :param pages: 页码。该网站只提供62页的数据 159 :return: 包含160个用户的id的列表 160 """ 161 time.sleep(2) 162 # 获取用户id的url 163 url_miss = ‘http://search.baihe.com/Search/getUserID‘ 164 # from表单数据 165 params_miss = {"minAge": 18, "maxAge": 85, "minHeight": 144, "maxHeight": 210, "education": ‘1-8‘, 166 "income": ‘1-12‘, "city": -1, "hasPhoto": 1, "page": pages, "sorterField": 1} 167 miss_dict = {} 168 try: 169 # 发送post请求 170 miss_dict = self.req.post(url_miss,data=params_miss,headers=HEADERS,proxies={‘http‘:HTTP_IP_PROXIES_2}).json() 171 except requests.exceptions.ProxyError: # 代理网络连接慢或无网络 172 time.sleep(5) 173 # 递归调用self.filtrate_miss() 174 self.filtrate_miss(pages) 175 time.sleep(2) 176 print(‘miss is cookies ‘, requests.utils.dict_from_cookiejar(self.req.cookies)) # 查看筛选后的会话cookie 177 print(‘miss dict: ‘,miss_dict) 178 print(len(miss_dict[‘data‘]),‘个‘) 179 return miss_dict[‘data‘] 180 181 def get_miss_info(self,infos): 182 """ 183 获取用户详细信息 184 185 :param infos: 列表类型,封装着个人id,可能为一组(8),或小于8个 186 :return: 包含一组的详细信息 187 """ 188 if len(infos) == FING_INDEX: # infos列表长度等于8时 189 url_info = ‘http://search.baihe.com/search/getUserList?userIDs={},{},{},{},{},{},{},{}‘190 .format(infos[0],infos[1],infos[2],infos[3],infos[4],infos[5],infos[6],infos[7]) 191 else: # infos列表长度小于8时 192 bracket = ‘‘ # 参数userIDs的值 193 for lens in range(len(infos)): 194 bracket += (str(infos[lens]) + ‘,‘) # 构造该表示:"{},{},{},{},{},{},{},{}," 195 # 获取用户详细信息的url bracket[:len(bracket)-1]: 分片,干掉最后一个“,” 196 url_info = ‘http://search.baihe.com/search/getUserList?userIDs=‘ + bracket[:len(bracket)-1] 197 miss_info = {} 198 try: 199 # 发送post请求 200 miss_info = self.req.post(url_info,headers=HEADERS,proxies={‘http‘:HTTP_IP_PROXIES_2}).json() 201 except requests.exceptions.ProxyError: # 代理网络连接慢或无网络 202 time.sleep(5) 203 # 递归调用self.get_miss_info() 204 self.get_miss_info(infos) 205 time.sleep(2) 206 return miss_info[‘data‘] 207 208 def exact_division(self,miss_id_list): 209 """ 210 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8 211 212 :param miss_id_list: id信息列表(160) 213 :return: 无 214 """ 215 for user_id in miss_id_list: 216 self.index += 1 217 self.info.append(user_id) 218 if ba.index == FING_INDEX: 219 print(‘user id: ‘, self.info) 220 miss_info_list = ba.get_miss_info(self.info) # 8 221 if None != miss_info_list: 222 # 使self.index,self.info为初值,以便8人一组 223 self.index = 0 224 self.info = [] 225 print(‘miss info list: ‘, miss_info_list) 226 personal_data(miss_info_list) # 遍历一组(8)的信息 227 else: 228 print(‘miss info list is null‘) 229 continue 230 231 def main(self): 232 """ 233 具体实施 234 235 :return: 无 236 """ 237 self.login() # 登录 238 while self.is_begin: # 开始 239 print(‘正在获取‘,self.page,‘页.......‘) 240 miss_id_list = self.filtrate_miss(self.page) # 获取用户id列表 241 if len(miss_id_list) != 0: # 列表有id 242 num = len(miss_id_list) % FING_INDEX # 模运算 243 if num == 0: # 被8整除 244 self.exact_division(miss_id_list) 245 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 246 print(‘余数: ‘,num) 247 if len(miss_id_list) > FING_INDEX: # id列表的长度大于8 248 copy_miss_id_list = miss_id_list[:len(miss_id_list) - num] # 分片 取8个一组 249 self.exact_division(copy_miss_id_list) 250 no_exact_division(miss_id_list[len(miss_id_list) - num:]) # 余下的个人信息 251 else: 252 no_exact_division(miss_id_list) # 小于8个人的个人的信息 253 else: 254 print(‘数据已爬完。。。。。‘) 255 self.is_begin = False 256 self.page += 1 257 time.sleep(10) 258 # 运行 259 if __name__ == ‘__main__‘: 260 ba = Baihe(‘xxxxxxxxx‘, ‘xxxxxxxxx‘) # 账号 密码 261 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。
原文地址:https://www.cnblogs.com/YuWeiXiF/p/8439552.html
时间: 2024-10-08 22:30:05