python多线程爬取世纪佳缘女生资料并简单数据分析

一. 目标

? 作为一只万年单身狗，一直很好奇女生找对象的时候都在想啥呢，这事也不好意思直接问身边的女生，不然别人还以为你要跟她表白啥的，况且工科出身的自己本来接触的女生就少，即使是挨个问遍，样本量也太少，毕竟每个人的标准都会有差异的。这时候想到婚恋网站，上面不就有现成的数据吗，刚好最近也在学习爬虫，如果能用爬虫把数据爬取下来，既练习了爬虫技术，又获得了想要的数据，一举两得。不如说干就干。

? 从接触爬虫以来，也爬过几十个网站，虽说是入门练习，没找那种数据价值很高，反爬比较严重的网站，但也有不少数据价值不错的网站，比如豆瓣电影，简书，汽车之家，房天下等，这些网站基本上也没动用什么高级一点的反爬技术，然而，在爬取世纪佳缘的时候就有点坑了，整个网站页面大部分都是js渲染出来的，而且ajax数据请求接口还挖空心思地给你玩声东击西手段，我寻思着这网站数据价值也不至于那么大，这么藏着掖着，要么是后台开发小哥闲着没事在修炼反爬仙丹，要么是事出反常必有妖，由于之前注册了个三无账号，资料都是乱写的，居然也会收到大量需要花钱才能看到的情书，所以猜测这数据之中怕是藏着什么猫腻，于是乎，除了抓取女生资料外，又多了个目标：看看数据中藏了什么秘密。
!

二. 网页分析

? 在世纪佳缘主页，有个搜索入口，可以根据条件搜索女生数据。本次选取的是湖南省年龄在20-35岁，身高153-170cm的女生为爬取对象。

?
条件设置好以后，点击确定就可以看到发送了一条带有搜索条件参数的get请求

然而，当你以为这就能获取到搜索结果，那就大错特错了，这个请求只是一个障眼法。

以下是一大段废话，是我寻找真实请求接口的时候爬过的坑，在这里记录一下，直接看结果请 跳到这里

我们用requests发送一个同样的请求试试，看看返回来的是啥

        import requests

URL = "http://search.jiayuan.com/v2/index.php?key=&sex=f&stc=1:43,2:20.35,3:153.170,23:1&sn=default&sv=1&p=1&pt=864&ft=off&f=select&mt=u"
HEADERS = {
    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"
}

resp = requests.get(URL, headers=HEADERS)

with open("search.html", "w", encoding="utf8") as fp:
    fp.write(resp.content.decode())
    

我们把返回结果保存在search.html文件中，在浏览器中打开这个html文件

可以看到并没有返回我们想要的搜索结果的数据，这个页面停留几秒钟之后会弹出一个登录框，起先以为是需要登陆才能返回搜索结果，于是把cookie加上，但是仍然返回同样的结果。事实上，这个请求除了返回一些页面通用的HTML代码外，还返回一些css文件和js文件，其中有个js文件中定义了判断是否登录的函数

? 判断是否登录的大概思路是：在登陆页面输入账号密码登陆后，后台会告诉浏览器端设置一个名为PROFILE的cookie，所以判断是否登录就只需要通过js去获取这个cookie是否存在，如果存在则说明登陆过，不存在则说明没登陆。由于我们是通过requests发送的请求，直接把登陆后的cookie发送给后台服务器，虽然服务器端知道我们登陆了，但是返回来的js再次检查浏览器端的cookie时，并没有发现这个cookie（因为没有在浏览器设置）所以就不会进行后续的操作了，比如发送ajax请求获取用户信息等。

? 其实上面只是简单描述一下登陆检查思路，实际上世纪佳缘的登陆判断并没有这么简单，其中涉及到很多的js文件，而且这些文件相当一部分是通过document.write()的方式写入的，所以很多代码都很隐蔽，但是登陆检测不是我们的重点，我们只需要知道通过直接发送上述的get请求是获取不到我们想要的搜索结果的。

场面一度陷入了尴尬。。。

既然数据不是通过get直接返回的，数据总得有个返回方式吧，我猜肯定是js检测到用户登陆后，接着通过发送ajax请求获取到，然后再渲染到网页上的。那么接口在哪里呢？这时候首先想到的当然是抓包分析，大不了把所有请求都挨个分析一遍，肯定能揪出来。

打开fidller，把所有可疑请求挨个分析了一遍，依然没有找到我要的数据。可怕，居然能绕过抓包软件！！我虽然知道这是不大可能的事，但是此刻思维已经受到创伤。场面再次陷入尴尬。。。

既然抓包不行，那就硬着头皮再去读js源码吧，刚好是个机会来提升一下JavaScript功力。

从哪里读起呢？既然我想要知道搜索结果怎么获取的，那就先看看js是如何把搜索结果渲染出来的吧，或许从这里可以找到数据的源头。按F12，点到element栏，找到放搜索结果的div容器，然后在该元素设置一个断点，使该元素下的子元素被修改时程序运行终止（即当js试图往这个div容器渲染搜索结果列表的时候，程序中断）：

刷新网页，可以看到程序中断在jQuery.js文件中，点击运行按钮运行几步后，就进入了index_v2.js，再运行十几步后，我发现渲染出来第一条搜索结果，并且多次点击运行按钮后，有一个函数反复出现，有戏！

好了，知道了js是如何渲染搜索结果的，我们的目的还没达到，即数据是怎么请求到的。我推测既然数据是在这个js文件中渲染的，那么数据也应该是在同一个文件中获取洛，而且一般都是通过ajax方式获取，所以抱着试一试的 心态，我在这个js文件下按下ctr+f进行搜索，然后输入ajax，果然，出现了18条结果，其中第一条结果十分可疑

于是在ajax中的success的函数中设置一个断点，想看看返回response是什么，惊奇地发现，果然是我想要的数据，看来接口找到了。这不就是一个普通的ajax请求吗，赶紧再次用fidller抓包看看是不是我眼瞎漏掉了这个请求，果不其然，这个请求是抓到了的，此时想抠掉自己的双眼。。。哎，粗心导致浪费了大量时间，不过，分析js的过程中，还是学了不少新知识。

好了，找到了真正的数据请求接口，下面就来分析一下这个请求和服务器有哪些数据交互，先看向服务器发送了啥，点击WebForm看看post表单数据：

再来看看服务返回了啥：

返回结果中可以看到count、pagetotal、realuid等字眼，分别表示搜索结果的总条数、总页面数、用户id号，其中用户id号就是我们下文要用到的构造用户详情页url的材料。在每条用户信息中我们还可以看到年龄，身高，教育程度等信息，但是这些信息不是我们需要的，除了搜索结果总条数，总页面数外，我们需要的只有用户id，有了用户id就可以构造详情页url，在详情页里面也有这些信息，到时候再去统一获取。这里可以看到返回21792条用户数据，但是这么多用户数据不是一次返回的，而是按页返回的，每页返回23条，所以我们需要一页一页的爬取这些用户的id号。

三. 开始爬虫

本次使用的是requests库+多线程的方式，python多线程在多核CPU下被说成是鸡肋，不过在爬虫这种I/O密集型的应用场合还是有用武之地的，我们把爬取结果以多行json数据的形式保存在文件中。

我们先来整理一下爬虫思路，上面通过向服务器发送post请求，获取了每页的用户id号，也知道了页面总数和用户总数，因此，可以构造两个爬虫，一个爬取所有页面的用户id号，保存在一个队列里面，另一个从队列里面取出id号构造详情页url，然后爬取详情页并解析我们需要的数据。

第一次开启爬虫的时候，开了10个线程，可能是爬的太快了，导致ip被封了，于是花了10块钱从淘宝上买了10个代理，添加到列表里面，每次发送请求的时候从列表中随机选一个代理，另外，程序会去捕获ConnectionError，如果出现这个错误，就说明这个代理不可用了，从而需要把它从列表中移除。

1. 爬取所有用户id

这个就很容易了，先构造一个CrawlGirlId类，这个类继承threading.Thread，开启这个爬虫后，直接向服务器发送post表单数据，只要每次修改其中的页码参数就ok了，先上代码

        class CrawlGirlId(threading.Thread):
    session = None
    user_id_queue = None
    page_queue = Queue()
    POST_SEARCH_URL = "http://search.jiayuan.com/v2/search_v2.php"

    def __init__(self, formdata):
        super(CrawlGirlId, self).__init__()
        self.formdata = formdata.copy()  # 浅复制，因为每个线程都需要修改formdata["p"]，如果共享同一个的话会出乱子

    def run(self):
        global craw_pages_finished
        while True:
            try:
                page = str(self.page_queue.get(False))  # false，在队列为空时产生Empty异常
                self.formdata["p"] = page
            except Empty:
                craw_pages_finished = True  # 爬取所有页面的id号结束
                print("craw pages finished: %s" % threading.current_thread())
                break
            else:
                proxy = random.choice(proxies)
                try:
                    page_resp = self.session.post_str(url=self.POST_SEARCH_URL, data=self.formdata, proxies=proxy)
                except ConnectionError:
                    with global_lock:
                        proxies.remove(proxy)  # 说明这个代理无效或被封，移除
                else:
                    self.parse_girl_id(page_resp)
                    time.sleep(0.5)

    def parse_girl_id(self, page_resp):
        ret = re.sub(r"##jiayser##/{0,2}", "", page_resp)
        ret_dict = json.loads(ret)
        userinfo = ret_dict["userInfo"]
        for i in range(0, len(userinfo)):
            uid = userinfo[i]["realUid"]
            self.uid_queue.put(uid)  # block 默认为True，即如果队列满了则阻塞至队列有空位

    @classmethod
    def init_spider(cls, session, formdata, uid_queue):
        cls.uid_queue = uid_queue
        cls.session = session
        while True:
            if cls.get_first_page(formdata):
                break

    @classmethod
    def get_first_page(cls, formdata):
        formdata["p"] = "1"
        proxy = random.choice(proxies)
        try:
            resp = cls.session.post_str(url=cls.POST_SEARCH_URL, data=formdata, proxies=proxy)
        except ConnectionError:
            with global_lock:
                proxies.remove(proxy)  # 说明这个代理无效或被封，移除
            return False
        else:
            ret = re.sub(r"##jiayser##/{0,2}", "", resp)
            ret_dict = json.loads(ret)

            userinfo = ret_dict["userInfo"]
            for i in range(1, len(userinfo)):  # 第一个是本人信息，剔除
                uid = userinfo[i]["realUid"]
                cls.uid_queue.put(uid)  # block 默认为True，即如果队列满了则阻塞至队列有空位

            page_total = int(ret_dict["pageTotal"]) - 5  # 减去5是防止页面总数在爬取过程中减少，所以这个值动态获取其实更好
            count = ret_dict["count"]
            print("page_total: %s, count: %s" % (page_total, count))
            for page in range(2, page_total):  # 从第二页开始，第一页已经获取了
                cls.page_queue.put(page)
            return True
    

这个代码看起来有点长，但是逻辑很简单，之所以长是因为最后面的那个get_first_page函数，这个函数的作用也很简单，就是解析第一页的内容（即第一次post请求返回的数据），第一页单独处理，首先是因为第一页的第一个用户其实返回的是本人的信息，这个是不需要爬取的，所以第一页需要把第一条信息剔除，我觉得这个剔除的逻辑单独挑出来写比较好一点，其次是因为我们需要知道总页面是多少，才能知道爬虫爬到那一页就要停止，这是首先需要解决的问题，所以这两个逻辑放在一起就形成了get_first_page函数。get_first_page函数是在init_spider函数中调用的，这个函数其实就是类的初始化，因为这个类的实例会共享一些变量，所以把这些设置为类变量，并在该函数中初始化。

其余代码都很好理解了，把每页的用户id都保存到一个队列中。

1. 爬取详情页

   点开一个详情页，就可以知道用户详情页的url格式为域名+用户id+一个固定参数。这个就很好办了，用户id在上面已经获取了，只需要字符串拼接一下就很容易得出详情页url了。

   同样是构建一个类CrawlDetailPage，继承自threading.Thread

                   class CrawlDetailPage(threading.Thread):
       DETAIL_URL = "http://www.jiayuan.com/%s?fxly=search_v2"
       lock = threading.Lock()
       error_lock = threading.Lock()
   
       def __init__(self, user_id_queque, session, f, t_name):
           super(CrawlDetailPage, self).__init__(name=t_name)
           self.user_id_queque = user_id_queque  # 往url队列贴了个标签而已，实际上并不会新建一个队列，所以内存占用不会增加
           self.session = session
           self.fp = f
           self.item = {}
   
       def run(self):
           global craw_finished
           while not craw_finished:
               try:
                   user_id = self.user_id_queque.get(True, timeout=0.5)
               except Empty:
                   if craw_pages_finished:
                       craw_finished = True
                   print("id empty: %s" % threading.current_thread())
               else:
                   print("%s 正在爬取id=%s小姐姐资料" % (threading.current_thread(), user_id))
                   detail_url = self.DETAIL_URL % user_id
                   proxy = random.choice(proxies)
                   try:
                       resp = self.session.get_str(url=detail_url, proxies=proxy)
                   except ConnectionError:
                       with global_lock:
                           proxies.remove(proxy)  # 说明这个代理无效或被封，移除
                   else:
                       self.item = {
                           "user_id": user_id,
                       }
                       self.parse_detail(resp)
                       time.sleep(0.5)
                       # print("id=%s小姐姐资料爬取完毕" % user_id)
           print("exit craw: %s" % threading.current_thread())
   
       def parse_detail(self, resp):
           try:
               html_element = etree.HTML(resp)  # 解析网页代码
               member_main_info = html_element.xpath("//div[@class='member_info_r yh']")[0]
               nickname = member_main_info.xpath("//div[@class='member_info_r yh']/h4/text()")[0]
   
               main_info = member_main_info.xpath("//div[@class='member_info_r yh']/h6/text()")[0]
               age = main_info.split("岁")[0]
               marriage = main_info.split("，")[1]  # 注意这里是中文的逗号
   
               base_info = member_main_info.xpath("//div[@class='member_info_r yh']//div[@class='fl pr']//text()")
               degree = base_info[1]
               height = base_info[4]
               # cars = base_info[7]
               salary = base_info[10]
               house = base_info[13]
               weight = base_info[16]
               # nation = base_info[22]
   
               other_info = html_element.xpath("//div[@class='content_705']/div[9]")[0]
               hometown = other_info.xpath(".//ul[1]/li[1]/div//text()")[0]
   
               requirment = html_element.xpath("//div[@class='content_705']/div[5]//li//div/text()")
               age_boy = requirment[0]
               height_boy = requirment[1]
               degree_boy = requirment[3]
               marriage_boy = requirment[5]
               hometown_boy = requirment[6]
   
               item_info = {
                   "nickname": nickname,
                   "age": age,
                   "marriage": marriage,
                   "degree": degree,
                   "height": height,
                   # "cars": cars,
                   "salary": salary,
                   "house": house,
                   "weight": weight,
                   # "nation": nation,
                   "hometown": hometown,
                   "age_boy": age_boy,
                   "height_boy": height_boy,
                   "degree_boy": degree_boy,
                   "marriage_boy": marriage_boy,
                   "hometown_boy": hometown_boy,
               }
               self.item.update(item_info)
               with self.lock:
                   self.fp.write((json.dumps(self.item, ensure_ascii=False) + "\n"))
           except Exception as e:  # 记录错误信息
               with self.error_lock:
                   with open("error.txt", "a", encoding="utf8") as fp:
                       fp.write(str(e) + "\r\n" + resp + "\r\n\r\n")
               

   逻辑也很简单粗暴，run方法里面从用户id队列(user_id_queque)中取一个id出来，构造详情页url，然后随机选取一个代理，发送post请求即可获得详情页面，parse_detail函数就是解析要想的数据然后写入文件了，这没啥好说的。

2. 开启多线程爬虫

   上面构建了两个爬虫，第一个爬取id的爬虫一次就能解析出二十多个id，第二个爬虫一次只能爬取一个详情页，所以第一个爬虫开启一个线程就够用了，第二个爬虫我开了10个线程，总共爬下来花了66分钟，一共爬了1.8w+条小姐姐信息，不过看起来这么多，其中就有很大的猫腻，这个后面再来看。

   由于后面数据简单分析是用的jupyter notebook，这里不方便贴代码，所以就把爬虫代码和数据分析代码一起放到了GitHub上。

四. 简单数据分析

数据拿到了，终于可以窥探小姐姐的小秘密了，激动的我赶紧把近两万行数据整体从上到下滑了一遍，不滑不知道，一滑下一跳，刚开始滑动的时候，小姐姐的昵称长长短短看得眼花缭乱，越到后面越不对劲，咋的总有几个相同的影子在眼睛里晃来晃去，仔细一看，不得了，原来存在大量相同的昵称，而且id号和其他信息都一样，这明显是重复的数据

难道是程序重复爬取了？这应当不应该啊，所有需要爬取的页面都是放在同一个队列之中，是用循环生成的从第一页到最后一页的独一无二的整数，从队列中弹出后就应该没有了，所以应该不至于一个页面被重复爬取，那要么就是不同页面存在相同的用户id，于是在浏览器中一直翻到一百多页，果然发现大量重复的信息。

1. 数据读取和去重

   知道了数据造假后，我想知道到底有多少是不重复的，于是打开jupyter notebook，用pandas去一下重就知道了，把这近2w的数据按行读到一个列表中，然后构造出DataFrame对象，再统计一下数据总数

总数18451，没毛病

去重后

居然2w变成2k，造假了近10倍，一个全国闻名的婚恋网站居然玩这种把戏！可怕！

1. 简单分析女生对男生最低身高要求与自身身高的关系

   我们都知道女生很看重男生身高，所以我比较好奇，女生对男生预期的最低身高要求与女生自身身高有什么关系呢？于是我把女生对男生最低身高要求提取出来单独为一列，并把女生从低到高排序后然后按女生身高group一下，这样就能获取到女生每个身高段对应的所有的预期男生最低身高值（比如所有162cm的女生，要求的男生最低身高组成一个集合），求出女生每个身高段预期男生最低身高的平均值和中位值，以女生身高为横坐标，女生预期的男生最低身高值为纵坐标，画图如下：

绿色代表女生自身身高值，可以看到身高越是低的女生，对身高差越有要求，但是一般也在12cm左右，这是不是证明了网传的12cm最佳身高差的说法是有一定市场的。女生越高，对身高差就没那么大要求了。

好了，写了一天终于完工了。

爬虫和jupyter代码都放在GitHub：

原文：https://www.cnblogs.com/olivertian/p/11343287.html