Python 抓取某相亲网数据
以下是代码版
#!/usr/bin/env python
# -*- coding:utf-8 -*-
"""
time: 2018-11-19
title:某相亲网全站数据获取
annotation: map(latitude,longitude)跟根据经纬度获取地址函数没有被调用，如果需要可以把87,88,89,90，107,162，163行注释取消 108行加注释
author: pqx
email:[email protected]
"""
import random
import time
import requests
import re
import os
headers={
'Cookie':'8888888',#需要登录搜索以后在header里面获取，这里就不复制出来了了
'User-Agent':'Mozilla/5.0 '
}
def Get_one_page(url,data,headers=headers,code='utf-8'):#访问一个页面
try:
r=requests.post(url,headers=headers,data=data,timeout=30)
r.raise_for_status()
r.encoding=code#r.apparent_encoding
return r.text
except Exception as e:
t=time.strftime('%Y/%m/%d %H:%M:%S %a')
with open(r'D:\Exception.txt','a+') as f:
f.write('time:{}\n\nurl:{}\n\n{}\n\n'.format(t,url,e))
def remove_emoji(text):#移除emoji表情
emoji_pattern = re.compile(
u"(\ud83d[\ude00-\ude4f])|" # emoticons
u"(\ud83c[\udf00-\uffff])|" # symbols & pictographs (1 of 2)
u"(\ud83d[\u0000-\uddff])|" # symbols & pictographs (2 of 2)
u"(\ud83d[\ude80-\udeff])|" # transport & map symbols
u"(\ud83c[\udde0-\uddff])" # flags (iOS)
"+", flags=re.UNICODE)
return emoji_pattern.sub(r'', text)
def cleantxt(raw):#移除非中文 英文
fil = re.compile(u'[^0-9a-zA-Z\u4e00-\u9fa5.,，。 ？“”]+', re.UNICODE)
return fil.sub(' ', raw)
def map(latitude,longitude):#传入经纬度获得地址
try:
url = 'http://m.gpsspg.com/apis/geo/?lat={}&lng={}&type=0'.format(latitude, longitude)
headers={'User-Agent':'Mozilla/5.0'}
r=requests.get(url,headers=headers)
address=re.findall(r'"address":"(.*?)","',r.text,re.S)
if address==[]:
address=['--']
return address
except:
return ['--']
def homepage(id,file_name):#传入个人ID 写入文件
try:
#个人JS地址
url1='http://search.baihe.com/search/getUserList?userIDs={}&jsonCallBack=jQuery18307279128316237347_1542393351488'.format(id)
r=requests.post(url1,headers=headers)
r_text=remove_emoji(r.text)#额调移除emoji表情函数
r_text = r_text.encode("utf-8").decode("unicode-escape").replace('\\', '')#编码，解码
text_empty = 'jQuery18307279128316237347_1542393351488({"code":200,"data":[],"msg":""});'
if r_text != text_empty:#不等于空数据则获取数据
ll=[]
ids = re.findall(r'{("userID":.*?")}', r_text, re.S)[0]#括号内的全数据
id = re.findall(r'"userID":(\d+?),"', ids, re.S)[0]#id
id_url = 'http://profile1.baihe.com/?oppID={}'.format(id)#idurl 个人主页
nickname = re.findall(r'"nickname":"(.*?)","', ids, re.S)[0].replace(',', '')#昵称，移除英文, 替换成中文，
nickname = cleantxt(nickname).replace(' ', '')#调用移除中英文以外符号函数 移除空格
if nickname == '':#
nickname = '--'
city = re.findall(r'"city":"(.*?)","', ids, re.S)[0]#城市id
if city == '':
city = '--'
cityChn = re.findall(r'"cityChn":"(.*?)","', ids, re.S)[0]#城市中文
if cityChn == '':
cityChn = '--'
latitude = re.findall(r'"latitude":"(.*?)","', ids, re.S)[0]#纬度
if latitude == '':
latitude = '--'
longitude = re.findall(r'"longitude":"(.*?)","', ids, re.S)[0]#经度
if longitude == '':
longitude = '--'
# if longitude == '--' or latitude == '--':
# address='--'
# else:
# address=map(latitude, longitude)#调用传经纬度获取地址函数 需要可以把这几句取消
educationChn = re.findall(r'"educationChn":"(.*?)","', ids, re.S)[0]#学历中文
if educationChn == '':
educationChn = '--'
marriageChn = re.findall(r'"marriageChn":"(.*?)","', ids, re.S)[0]#婚姻状况中文
if marriageChn == '':
marriageChn = '--'
income = '{}K'.format(re.findall(r'"income":(\d+?),"', ids, re.S)[0])#收入
height = re.findall(r'"height":(.*?),"', ids, re.S)[0]#身高
if height == '':
height = '--'
familyDescription = re.findall(r'"familyDescription":"(.*?)","', ids, re.S)[0]#家庭简述
familyDescription = cleantxt(familyDescription).replace('\n\n', '').replace('\n', '').replace(',', '').replace(
' ', '').replace(' ', '')#移除换行符 等等
if familyDescription == '':
familyDescription = '--'
# ll=[id, id_url, nickname, city, cityChn, latitude, longitude,address[0], educationChn, marriageChn, income, height, familyDescription]
#这个包含地址 需要可以把这句注释取消，下面的加注释
ll=[id, id_url, nickname, city, cityChn, latitude, longitude,educationChn, marriageChn, income, height, familyDescription]
#信息列表
outher_num_message = re.findall(r'".*?":(\d+?),"', ids, re.S)#其他信息 认证， 房，车 ，下厨 ，职业，等等
for j in range(1, len(outher_num_message)):
ll.append(outher_num_message[j])
photoList = re.findall(r'photoList":\[(.*?)\],"headPhotoUrl"', ids, re.S)[0].split(',')#照片链接
for k in photoList:
ll.append(k.replace('"', ''))#移除"
print(ll)
with open(file_name, 'a+', encoding='utf-8') as f:#写入文件
for x in ll:
f.write('{},'.format(x))
f.write('\n')
f.close()
except Exception as e:#报错则写入错误TXT
t = time.strftime('%Y/%m/%d %H:%M:%S %a')
with open(r'D:\Exception.txt', 'a+') as f:
f.write('time:{}\n\n url:{}\n\n{}\n\n'.format(t, id, e))
def main():
try:
if r'D:\baihe' not in os.listdir(): # 创建文件夹
os.makedirs(r'D:\baihe')
except:
pass
province=[8611,864401,864403,8612,8613,8614,8615,8621,8622,8623,8631,8632,8633,8634,8635,8636,8637,8641,8642,8643,8644,8645,8646,8650,8651,8652,8653,8654,8661,8662,8663,8664,8665,8671,8681,8682,8683]
#省份id #北京 广州 深圳 天津 河北 山西 内蒙古辽宁吉林黑龙江 上海 江苏 浙江 安徽 福建 江西 山东 河南 湖北 湖南 广东 广西 海南 重庆 四川 贵州 云南 * 陕西 甘肃 青海 宁夏 * * 香港 澳门 钓鱼岛
#这里也可以构造具体某个省的
url='http://search.baihe.com/Search/getUserID?&jsonCallBack=jQuery18303793155068243106_1542449389465'#获取个人id的url
age=[[18,27],[28,37],[38,47],[48,57]]#年龄段
# outher=[[-1,'不限'],[58,85]]#其他
count=1#计数器
for x in age:
for j in province:
file_name = r'D:\baihe\baihe_province_{}_{}_{}.csv'.format(j,x[0],x[1])
for i in range(1,101):#页面参数 最多只返回100
data = {
'minAge': str(x[0]),
'maxAge': str(x[1]),
'minHeight': '144',
'maxHeight': '210',
'education': '1-8',
'income': '1-12',
'city': str(j),
'hasPhoto': '1',
'page': str(i),
'sorterField': '1'
}#data 参数 年龄 身高 教育 收入 城市 有无照片 页面
r_text=Get_one_page(url,headers=headers,data=data,code='utf-8')#调用获取单个页面函数
ids = re.findall(r'"(\d+?)"', r_text)#获取数据
if ids!=[]:
for k in ids:
# if count%5==0:
# time.sleep(random.randint(1,3))#如果要获取地址 这两句注释取消 或者也可以加随机IP代理
print(count)
homepage(k,file_name)#调用获取个人页面函数
count += 1
if __name__ == '__main__':
main()
以下是图片版