过年不再被逼相亲——我用python给亲戚展示2022的相亲数据

Posted 2022-12-28 蚂蚁爱Python

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 3.8
Pycharm

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csv
import csv
# 导入正则
import re
f = 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).text

6. 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：

今天的文章就是这样啦~

不管世界如何，只有学习，才能使你立于不败之地。