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id106     :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id123         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url135        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cookie156 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url166         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cookie180         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8218 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 += 1224             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) # 8228                 if None != miss_info_list:229                     # 使self.index，self.info为初值，以便8人一组230                     self.index = 0231                     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                     continue237 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id249                 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id253                     print('余数: ',num)254                     if len(miss_id_list) > FING_INDEX: # id列表的长度大于8255                         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 = False263             self.page += 1264             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。