人生苦短 我用Python
这不是快过年了吗？
又到了一年一度的亲戚大考验环节…
没对象的他们会问你，找对象了吗？
你要是学计算机专业的，他们会问你，会修电脑吗？
出去学了点啥他们也会要求“才艺展示一下
我相信大家都躲不过去
既然躲不过去，那直接上猛药给亲戚吓一跳吧
用python直接来采集一波相亲网站，并做数据分析
又给亲戚露一手，又向他们表达了自己单着是客观不可抗力
这波，啊这波，我看谁还敢催我找对象？？？
环境开发：
Python 3.8Pycharm模块使用：
import parsel --> pip install parsel import requests --> pip install requests import csv import re思路流程：
一. 数据来源分析:
1. 明确需求:
采集数据是什么 —> 资料数据 <静态网页>
都是在网页源代码里面
二. 代码实现步骤:
1.发送请求，模拟浏览器对于url地址发送请求
2.获取数据，获取服务器返回响应数据
3.解析数据，提取我们想要数据内容
4.保存数据，把数据内容保存本地
开始代码：导入数据请求模块
源码、资料电子书点击这里
import requests# 导入数据解析模块import parsel# 导入csvimport csv# 导入正则import ref = open('data.csv', mode='a', encoding='utf-8', newline='')csv_writer = csv.DictWriter(f, fieldnames=['昵称', '性别', '年龄', '身高', '体重', '出生日期', '生肖', '星座', '籍贯', '所在地', '学历', '婚姻状况', '职业', '年收入', '住房', '车辆', '照片', '详情页', ])csv_writer.writeheader()
都是一些公开数据
1. 发送请求, 模拟浏览器对于url地址发送请求
模拟浏览器 headers 请求头
可以在开发者工具里面复制粘贴的
防止被反爬
<Response [200]> 响应对象
200状态码 表示请求成功
for page in range(1, 11): # 伪装模拟 headers = { # User-Agent 用户代理, 表示浏览器基本信息 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36' }发送请求
response = requests.get(url=url, headers=headers) print(response)2. 获取数据, 获取服务器返回响应数据
开发者工具 —> response
response.json() 获取响应json数据, 字典数据类型
3. 解析数据, 提取我们想要数据内容
详情页ID —> UID
因为得到数据: 字典数据类型
所以解析数据: 键值对取值 —> 根据冒号左边的内容[键], 提取冒号右边的内容[值]
# for循环遍历, 把列表里面元素一个一个提取出来 for index in response.json()['data']['items']: # https://love.19lou.com/detail/51593564 format 字符串格式化方法 link = f'https://love.19lou.com/detail/{index["uid"]}'4. 发送请求, 模拟浏览器对于url地址发送请求
资料详情页url地址
5. 获取数据, 获取服务器返回响应数据
网页源代码
response.text 获取响应文本数据, 返回字符串数据类型
response.json() 获取响应json数据, 字典数据类型
html_data = requests.get(url=link, headers=headers).text6. 解析数据, 提取我们想要数据内容
基本资料信息
css选择器: 根据标签属性内容提取数据
xpath: 根据标签节点提取数据
re正则
# 把获取下来 html字符串数据<html_data>, 转成可解析对象 selector = parsel.Selector(html_data) name = selector.css('.username::text').get() info_list = selector.css('.info-tag::text').getall() # . 表示调用方法属性 gender = info_list[0].split('：')[-1] age = info_list[1].split('：')[-1] height = info_list[2].split('：')[-1] date = info_list[-1].split('：')[-1] # 判断info_list元素个数 当元素个数4个 说明没有体重一栏 if len(info_list) == 4: weight = '0kg' else: weight = info_list[3].split('：')[-1] info_list_1 = selector.css('.basic-item span::text').getall()[2:] zodiac = info_list_1[0].split('：')[-1] constellation = info_list_1[1].split('：')[-1] nativePlace = info_list_1[2].split('：')[-1] location = info_list_1[3].split('：')[-1] edu = info_list_1[4].split('：')[-1] maritalStatus = info_list_1[5].split('：')[-1] job = info_list_1[6].split('：')[-1] money = info_list_1[7].split('：')[-1] house = info_list_1[8].split('：')[-1] car = info_list_1[9].split('：')[-1] img_url = selector.css('.page .left-detail .abstract .avatar img::attr(src)').get() # 把获取下来的数据 保存字典里面 字典数据容器 dit = { '昵称': name, '性别': gender, '年龄': age, '身高': height, '体重': weight, '出生日期': date, '生肖': zodiac, '星座': constellation, '籍贯': nativePlace, '所在地': location, '学历': edu, '婚姻状况': maritalStatus, '职业': job, '年收入': money, '住房': house, '车辆': car, '照片': img_url, '详情页': link, } csv_writer.writerow(dit) new_name = re.sub(r'[\/"*?<>|]', '', name)保存图片, 获取图片二进制数据
img_content = requests.get(url=img_url, headers=headers).content with open('data\\' + new_name + '.jpg', mode='wb') as img: img.write(img_content) print(dit)效果展示：
源码、资料电子书点击这里
整理成表：
