本文的文字及圖片來源于網路,僅供學習、交流使用,不具有任何商業用途,如有問題請及時聯系我們以作處理，
以下文章一級Python技術 ，作者派森醬
剛接觸Python的新手、小白，可以復制下面的鏈接去免費觀看Python的基礎入門教學視頻
https://v.douyu.com/author/y6AZ4jn9jwKW
前言
今天在知乎上看到一個關于【世紀佳緣找物件靠譜嗎？】的討論，其中關注的人有1903，被瀏覽了1940753次，355個回答中大多數都是不靠譜，用Python爬取世紀佳緣的資料是否能證明它的不靠譜？
一，資料抓取
在PC端打開世紀佳緣網站，搜索20到30歲，不限地區的女朋友
翻了幾頁找到一個search_v2.php的鏈接，它的回傳值是一個不規則的json串，其中包含了昵稱，性別，是否婚配，匹配條件等等
點開Hearders拉到最下面，在它的引數中sex是性別，stc是年齡，p是分頁，listStyle是有照片
通過url +引數的get方式，抓取了10000頁的資料總計240116
需要安裝的模塊有openpyxl，用于過濾特殊的字符
# coding:utf-8
import csv
import json
import requests
from openpyxl.cell.cell import ILLEGAL_CHARACTERS_RE
import re
line_index = 0
def fetchURL(url):
headers = {
'accept': '*/*',
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36',
'Cookie': 'guider_quick_search=on; accessID=20201021004216238222; PHPSESSID=11117cc60f4dcafd131b69d542987a46; is_searchv2=1; SESSION_HASH=8f93eeb87a87af01198f418aa59bccad9dbe5c13; user_access=1; Qs_lvt_336351=1603457224; Qs_pv_336351=4391272815204901400%2C3043552944961503700'
}
r = requests.get(url, headers=headers)
r.raise_for_status()
return r.text.encode("gbk", 'ignore').decode("gbk", "ignore")
def parseHtml(html):
html = html.replace('\\', '')
html = ILLEGAL_CHARACTERS_RE.sub(r'', html)
s = json.loads(html,strict=False)
global line_index
userInfo = []
for key in s['userInfo']:
line_index = line_index + 1
a = (key['uid'],key['nickname'],key['age'],key['work_location'],key['height'],key['education'],key['matchCondition'],key['marriage'],key['shortnote'].replace('\n',' '))
userInfo.append(a)
with open('sjjy.csv', 'a', newline='') as f:
writer = csv.writer(f)
writer.writerows(userInfo)
if __name__ == '__main__':
for i in range(1, 10000):
url = 'http://search.jiayuan.com/v2/search_v2.php?key=&sex=f&stc=23:1,2:20.30&sn=default&sv=1&p=' + str(i) + '&f=select&listStyle=bigPhoto'
html = fetchURL(url)
print(str(i) + '頁' + str(len(html)) + '*********' * 20)
parseHtml(html)二，去重
在處理資料去掉重復的時候發現有好多重復的，還以為是代碼寫的有問題呢，查了好久的bug最后才發現網站在100頁上只有資料有好多重復的，下面兩個圖分別是110頁資料和111頁資料，是不是有很多熟面孔，
110頁資料
111頁資料
過濾重復后的資料只剩下 1872 了，這個水分還真大
def filterData():
filter = []
csv_reader = csv.reader(open("sjjy.csv", encoding='gbk'))
i = 0
for row in csv_reader:
i = i + 1
print('正在處理：' + str(i) + '行')
if row[0] not in filter:
filter.append(row[0])
print(len(filter))轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/229681.html
標籤：Python
下一篇：Redis理解