python3 爬取百合网的女人们和男人们

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。