之前看到過網上有一篇有關爬取P2P網站上散標投資數據和借貸人的信息數據的博文，后應他人請求，幫忙實現。發現存在不少問題，先整合前人資料（http://sanwen8.cn/p/156w57U.html），說一下爬取中遇到的問題：
（一）首先分析"散標投資"這一個模塊，共有51個頁面
-
- 進入首頁，調用360瀏覽器的F12（界面如下）選擇Network->XHR
- 后在上圖中左側點擊到第2個頁面，右側那一欄會彈出3個事件（對其中Method為GET的那一個事件進行分析）
- 點擊Header，對General->Requesl URL, 和Request Headers->User-Agent 進行分析（后文中會用到）
仔細觀察Request URL:http://www.we.com/lend/loanList!json.action?pageIndex=2&_=1474379219318，你會發現數據是Json格式，查看下一頁，發現也是如此，不同頁面的數據格式是相同的。對此，我們的抓取思路就是：獲取網頁源代碼，從源代碼中提取數據。
數據來自於類似這樣的地址：http://www.we.com/lend/loanList!json.action?pageIndex=2&_=1457395836611,刪除&_=1457395836611后的鏈接依然有效，打開鏈接發現是json格式的數據，而且數據就是當前頁面的數據。至此，我們就找到了真正的數據來源
- 以下就是爬取"散標列表"數據的代碼（Python 3.5.2 |Anaconda 4.0.0 (64-bit)，低版本好像不能解析utf-8）
要想配置高版本見http://www.cnblogs.com/Yiutto/p/5631930.html
import pandas as pd import numpy as np import requests headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36'} #headers得根據自己的瀏覽器F12下自行修改調整，具體可見步驟c #自定義了一個解析網頁的函數 def parse_html(i): url = "http://www.we.com/lend/loanList!json.action?pageIndex=%s&" % i #數據的真正來源（Request URL） resp=requests.get(url,headers=headers) #獲取頁面 html=resp.json() #頁面文字 data=pd.DataFrame(html['data']['loans']) data.to_csv('loans%s.csv' % i) #將整理后的數據寫入csv格式文檔 print("%s successsed" % i)
- 進入首頁，調用360瀏覽器的F12（界面如下）選擇Network->XHR
（頁面總共51個，可自己寫個循環語句，但循環過程中可能出錯，我自己就是一個個頁面爬取的，然后再把51個頁面的數據loan整合）
總的來說，第一步為得是給第二步做鋪墊，因為第二步需要用到第一步中loans.csv中的loanId，可自行將其單獨整理為一個csv文檔
（二）如何獲取借貸人信息
a.點擊其中一欄即可進入借貸人信息
為什么看不到借貸人信息呢，首先你的搞到一個帳號登錄即可見（自己隨便注冊一個啦）
b.帳號登錄后，按F12，剛開始又是空白，如下圖
這時只要刷新一下頁面，然后找到Method為Get的事件，點擊打開
記住Request Headers->Cookie, 后面代碼需要用到它
c.爬取借貸人信息的源代碼
import pandas as pd
import re
import numpy as np
import requests
import time
import random
from bs4 import BeautifulSoup
s=requests.session()
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36'}
#根據瀏覽器下自行修改
headers['Cookie'] = 'gr_user_id=022d0f46-4981-4224-9895-18bfe32d9276; rrdLoginCartoon=rrdLoginCartoon; pgv_pvi=905847926; Hm_lvt_16f9bb97b83369e62ee1386631124bb1=1474288518,1474332677,1474336816,1474368269; Hm_lpvt_16f9bb97b83369e62ee1386631124bb1=1474372985; JSESSIONID=7EB90C9967D8C42B08DFB18EB9A9F74ED2ACC468B7D56B9372E2A20684713847; jforumUserInfo=bEAY23pgyLLLjII69w9oS%2BtK2jljmxa8%0A; IS_MOBLIE_IDPASS=true-false; activeTimestamp=5195275; gr_session_id_9199126ed94d770d=70bbe285-4ac6-42c9-a49b-9255d0eb9c46; gr_cs1_70bbe285-4ac6-42c9-a49b-9255d0eb9c46=user_id%3A5195275'
#根據瀏覽器F12下的Request Headers->Cookie自行復制上去即可
def parse_userinfo(loanid):#自定義解析借貸人信息的函數
timestamp=str(int(time.time())) + '%03d' % random.randint(0,999)
urll="http://www.we.com/lend/detailPage.action?loanId=%.0f×tamp=" % loanid+timestamp
#這個urll我也不知道怎么來的，貌似可以用urll="http://www.we.com/loan/%f" % loanid+timestamp
#(就是頁面本身，我也沒試過)
result = s.get(urll,headers=headers)
html = BeautifulSoup(result.text,'lxml')
info = html.find_all('table',class_="ui-table-basic-list")
info1= info[0]
info2 = info1.find_all('div',class_="basic-filed")
userinfo = {}
for item in info2:
vartag = item.find('span')
var = vartag.string
if var == '信用評級':
var = '信用評分'
pf1 = repr(item.find('em'))
value = re.findall(r'\d+',pf1)
else:
valuetag = item.find('em')
value = valuetag.string
userinfo[var]=value
data = pd.DataFrame(userinfo)
return data
rrd=pd.read_csv('loanId.csv') #loanId是之前散標數據中的loanId,將其單獨整理為一個csv文檔
loanId=rrd.ix[:,'loanId']
user_info = ['昵稱', '信用評分',
'年齡', '學歷', '婚姻',
'申請借款', '信用額度', '逾期金額', '成功借款', '借款總額', '逾期次數','還清筆數', '待還本息', '嚴重逾期',
'收入', '房產', '房貸', '車產', '車貸',
'公司行業', '公司規模', '崗位職位', '工作城市', '工作時間']
table = pd.DataFrame(np.array(user_info).reshape(1, 24), columns=user_info)
i = 1
for loanid in loanId:
table = pd.concat([table, parse_userinfo(loanid)])
print(i)
i += 1 #看一下循環多少次
table.to_csv('userinfo.csv',header=False)
整理出來的數據可能會有點亂，但總的來說還是不錯的。（相信大家還是能清理的）