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='123456c', 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 except pymssql.ProgrammingError as pp: 42 with open('err.txt','a',encoding='utf8') as file: 43 file.write(personal['nickname'] + ' ' + str(personal['userID']) + ' 错误信息：' + str(pp) + '\n') 44 conn.commit() # 提交 45 time.sleep(1) 46 cur.close() 47 conn.close() 48 49 def personal_data(lists): 50 """ 51 获取一组的详细信息，最多为8个 52 53 :param lists: 列表类型，封装着一组信息 54 :return: 无 55 """ 56 for personal_data_dict in lists: # 遍历一组信息 57 baihe_db(personal_data_dict) 58 59 def get_miss_photo_binary(photo_url): 60 """ 61 获取照片的二进制数据 62 63 :param photo_url: 个人头像的url 64 :return: 二进制数据 65 """ 66 binary = '' 67 try: 68 # 向服务器发送get请求,下载图片的二进制数据 69 binary = requests.get(photo_url, headers=HEADERS,proxies={"http": HTTP_IP_PROXIES_2}).content 70 except requests.exceptions.MissingSchema as rem: 71 print(rem) 72 except requests.exceptions.ProxyError: # 代理网络连接慢或无网络 73 time.sleep(5) 74 # 递归调用get_miss_photo_binary() 75 get_miss_photo_binary(photo_url) 76 return binary 77 78 def save_photo(personal,binary): 79 """ 80 以'E:/Baihe/1/'为文件目录路径 或 以'E:/Baihe/0/'为文件目录路径 81 以 name + id + .jpg 或 以 id + .jpg 为文件名 82 有可能无相片 83 84 :param personal: 字典类型，封装着个人具体信息 85 :param binary: 二进制数据 86 :return: 无 87 """ 88 if binary != '': 89 file_path = 'E:/Baihe/1/' if personal['gender'] == "1" else 'E:/Baihe/0/' # 90 if not os.path.exists(file_path): # 如果该路径不存在 91 os.makedirs(file_path) # 创建该路径 92 try: 93 # 向file_path路径保存图片 94 with open(file_path + personal['nickname'] + str(personal['userID']) + '.jpg','wb') as file: 95 file.write(binary) 96 except OSError: 97 with open(file_path + str(personal['userID']) + '.jpg','wb') as file: 98 file.write(binary) 99 100 101 def no_exact_division(miss_id_list): 102 """ 103 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 104 105 :param miss_id_list: 为列表类型，封装着用户id 106 :return: 无 107 """ 108 miss_info_lists = ba.get_miss_info(miss_id_list) # 获取列表的个人信息 109 personal_data(miss_info_lists) # 遍历一组的信息 110 111 112 class Baihe(object): 113 114 def __init__(self,account,password): 115 """ 116 初始化 117 :param account: 账号 118 :param password: 密码 119 """ 120 self.is_begin = True # 开始爬取数据 121 self.index = 0 # 控制self.info长度为8个 122 self.info = [] # 临时保存用户id 123 self.page = 61 # 页码 124 self.account = account # 账号 125 self.password = password # 密码 126 self.req = requests.session() # 会话，保证Cookie一致 127 128 def login(self): 129 """ 130 登录 131 132 :return: 无 133 """ 134 # 登录的url 135 url_login = 'http://my.baihe.com/Getinterlogin/gotoLogin?event=3&spmp=4.20.87.225.1049&' \ 136 'txtLoginEMail={}&txtLoginPwd={}'.format(self.account,self.password) 137 login_dict = {} 138 try: 139 # 向服务器发送get请求 140 login_dict = self.req.get(url_login,headers=HEADERS,proxies={"http": HTTP_IP_PROXIES_1},timeout=500).json() 141 except requests.exceptions.ProxyError: # 代理网络连接慢或无网络 142 time.sleep(5) 143 # 递归调用self.login() 144 self.login() 145 time.sleep(3) 146 print('login: ',login_dict) 147 self.req.keep_alive = False # 关闭会话多余的连接 148 if login_dict['data'] == 1: 149 print('登录成功') 150 else: 151 print('登录失败, 30分钟以后自动登录。。。。。。。。') 152 time.sleep(1800) 153 # 递归调用self.login() 154 self.login() 155 print('login is cookie ', requests.utils.dict_from_cookiejar(self.req.cookies)) # 查看登录后的会话cookie 156 157 def filtrate_miss(self,pages): 158 """ 159 根据条件筛选数据，不提供条件参数 160 161 :param pages: 页码。该网站只提供62页的数据 162 :return: 包含160个用户的id的列表 163 """ 164 time.sleep(2) 165 # 获取用户id的url 166 url_miss = 'http://search.baihe.com/Search/getUserID' 167 # from表单数据 168 params_miss = {"minAge": 18, "maxAge": 85, "minHeight": 144, "maxHeight": 210, "education": '1-8', 169 "income": '1-12', "city": -1, "hasPhoto": 1, "page": pages, "sorterField": 1} 170 miss_dict = {} 171 try: 172 # 发送post请求 173 miss_dict = self.req.post(url_miss,data=params_miss,headers=HEADERS,proxies={'http':HTTP_IP_PROXIES_2}).json() 174 except requests.exceptions.ProxyError: # 代理网络连接慢或无网络 175 time.sleep(5) 176 # 递归调用self.filtrate_miss() 177 self.filtrate_miss(pages) 178 time.sleep(2) 179 print('miss is cookies ', requests.utils.dict_from_cookiejar(self.req.cookies)) # 查看筛选后的会话cookie 180 print('miss dict: ',miss_dict) 181 print(len(miss_dict['data']),'个') 182 return miss_dict['data'] 183 184 def get_miss_info(self,infos): 185 """ 186 获取用户详细信息 187 188 :param infos: 列表类型，封装着个人id，可能为一组（8），或小于8个 189 :return: 包含一组的详细信息 190 """ 191 if len(infos) == FING_INDEX: # infos列表长度等于8时 192 url_info = 'http://search.baihe.com/search/getUserList?userIDs={},{},{},{},{},{},{},{}'\ 193 .format(infos[0],infos[1],infos[2],infos[3],infos[4],infos[5],infos[6],infos[7]) 194 else: # infos列表长度小于8时 195 bracket = '' # 参数userIDs的值 196 for lens in range(len(infos)): 197 bracket += (str(infos[lens]) + ',') # 构造该表示："{},{},{},{},{},{},{},{}," 198 # 获取用户详细信息的url bracket[:len(bracket)-1]： 分片，干掉最后一个“,” 199 url_info = 'http://search.baihe.com/search/getUserList?userIDs=' + bracket[:len(bracket)-1] 200 miss_info = {} 201 try: 202 # 发送post请求 203 miss_info = self.req.post(url_info,headers=HEADERS,proxies={'http':HTTP_IP_PROXIES_2}).json() 204 except requests.exceptions.ProxyError: # 代理网络连接慢或无网络 205 time.sleep(5) 206 # 递归调用self.get_miss_info() 207 self.get_miss_info(infos) 208 time.sleep(2) 209 try: 210 return miss_info['data'] 211 except KeyError: 212 time.sleep(2) 213 self.get_miss_info(infos) 214 215 def exact_division(self,miss_id_list): 216 """ 217 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8 218 219 :param miss_id_list: id信息列表（160） 220 :return: 无 221 """ 222 for user_id in miss_id_list: 223 self.index += 1 224 self.info.append(user_id) 225 if ba.index == FING_INDEX: 226 print('user id: ', self.info) 227 miss_info_list = ba.get_miss_info(self.info) # 8 228 if None != miss_info_list: 229 # 使self.index，self.info为初值，以便8人一组 230 self.index = 0 231 self.info = [] 232 print('miss info list: ', miss_info_list) 233 personal_data(miss_info_list) # 遍历一组（8）的信息 234 else: 235 print('miss info list is null') 236 continue 237 238 def main(self): 239 """ 240 具体实施 241 242 :return: 无 243 """ 244 self.login() # 登录 245 while self.is_begin: # 开始 246 print('正在获取',self.page,'页.......') 247 miss_id_list = self.filtrate_miss(self.page) # 获取用户id列表 248 if len(miss_id_list) != 0: # 列表有id 249 num = len(miss_id_list) % FING_INDEX # 模运算 250 if num == 0: # 被8整除 251 self.exact_division(miss_id_list) 252 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 253 print('余数: ',num) 254 if len(miss_id_list) > FING_INDEX: # id列表的长度大于8 255 copy_miss_id_list = miss_id_list[:len(miss_id_list) - num] # 分片 取8个一组 256 self.exact_division(copy_miss_id_list) 257 no_exact_division(miss_id_list[len(miss_id_list) - num:]) # 余下的个人信息 258 else: 259 no_exact_division(miss_id_list) # 小于8个人的个人的信息 260 else: 261 print('数据已爬完。。。。。') 262 self.is_begin = False 263 self.page += 1 264 time.sleep(10) 265 # 运行 266 if __name__ == '__main__': 267 ba = Baihe('xxxxxxx', 'xxxxxxxxxx') 268 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。