人人贷网的数据爬取（利用python包selenium）

记得之前应同学之情，帮忙爬取人人贷网的借贷人信息，综合网上各种相关资料，改善一下别人代码，并能实现数据代码爬取，具体请看我之前的博客：http://www.cnblogs.com/Yiutto/p/5890906.html。
但过了一段时间，发现之前的代码运行不能爬取到数据，而且数据爬取过多也会出现一些错误（我估摸这后台检测到同一个帐号过多访问，给强制下线了）老是弹出下面的错误如下图： 总而言之，代码可用性不高，性能不是很好。

def parse_userinfo(loanid):
    timestamp=str(int(time.time())) + '%03d' % random.randint(0,999)
    urll="http://www.we.com/lend/detailPage.action?loanId=%.0f&timestamp=" % loanid+timestamp
    result = s.get(urll,headers=headers)
    html = BeautifulSoup(result.text,'lxml')
    info = html.find_all('table',class_="ui-table-basic-list")
    info1= info[0]
    info2 = info1.find_all('div',class_="basic-filed")
    userinfo = {}
    for item in info2:
        vartag = item.find('span')
        var = vartag.string
        if var == '信用评级':
            var = '信用评分'
            pf1 = repr(item.find('em'))
            value = re.findall(r'd+',pf1)
        else:
            valuetag = item.find('em')
            value = valuetag.string
        userinfo[var]=value
    data = pd.DataFrame(userinfo)
    return data

后根据错误进行分析，发现原来是根本获取不到借贷人信息出现的错误，

就是info = html.find_all('table',class_="ui-table-basic-list")执行这条语句，info是空的，意思就是根本找class_="ui-table-basic-list"这个东东，后来思前想后，发现，原来人人贷网站需要用户登录才能看到其相应的借贷人信息。也就是说在爬取数据时，需要用户登录。回顾之前的代码，我想是保存cookie这种方法是不能用了。必须找到一种新的方法来模拟登录网站。查了许多资料，数据捉取无外乎有3种方法：1．直接抓取数据。 2.模拟浏览器抓取数据。 3.基于API接口抓取数据

综合分析，我决定用第2种方法"模拟浏览器登录"，那得找好相应的python包，网上有：mechanize，selenium等等。

1.mechanize包的尝试

br.select_form(nr = 0) # Find the login form

br['vb_login_username'] = '你的用户名'

br['vb_login_password'] = '你的注册密码'

这段代码中老是遇到问题，第一，select_form中的nr怎么找，第二，在人人贷网站源代码中如何找所谓的'vb_login_username'，'vb_login_password'的专有名词。
其实我在代码测试中还是找到对于的nr=0，但是找了好久找不到对应的'vb_login_username'。（个人不太懂html，学的比较菜，有兴趣的可以尝试一下）。后来听朋友说可以试试selenium。

 

前面废话说了一大堆，都是我学的比较菜，也就是我的经验之谈。

2.selenium包的尝试（重点）

首先你得安装好它，直接pip install selenium即可。而且还要下载相应的浏览器驱动（这里我的运行环境是linux，python好像是3.0以上的，浏览器是firefox）

驱动的下载地址为https://github.com/mozilla/geckodriver/releases（下载好自己系统的版本），然后放到相应的PATH路径中，否则找不到driver。

Window下驱动的放置位置：

　　将geckodriver.exe复制到C:Program Files (x86)mozilla firefox目录下；
　　并在环境变量Path中添加路径：C:Program Files (x86)mozilla firefox；
　　重启cmd，再次运行即可；
　　　　 

 

Linux下驱动的放置位置：

　　　解压后将geckodriver存放至 /usr/local/bin/ 路径下即可
　　　sudo mv ～/Downloads/geckodriver /usr/local/bin/

相应代码如下：

from selenium import webdriver
from selenium.webdriver.common.keys import Keys
import time
import pandas as pd
import re
import numpy as np
from bs4 import BeautifulSoup

driver = webdriver.Firefox()

def LoginRRD(username, password):
    try:
        print(u'准备登陆人人贷网站...')
        driver.get("https://www.we.com/loginPage.action")
        elem_user = driver.find_element_by_name("j_username")
        elem_user.send_keys(username)
        elem_pwd = driver.find_element_by_name("j_password")
        elem_pwd.send_keys(password)
        elem_rem = driver.find_element_by_name("rememberme")
        elem_rem.submit()
        time.sleep(1) #这里设置睡眠时间，是为了使浏览器有时间保存cookies
        print(u'登录 successful!')

    except Exception as e:
        print("Error:", e)
    finally:
        print(u'End Login!
')

def parse_userinfo(loanid):#自定义解析借贷人信息的函数
    urll="http://www.we.com/loan/%s"  % loanid
    #这个urll我也不知道怎么来的，貌似可以用urll="http://www.we.com/loan/%f" % loanid+timestamp (就是页面本身

    driver.get(urll)
    html = BeautifulSoup(driver.page_source,'lxml')
    info = html.find_all('table',class_="ui-table-basic-list")
    info1= info[0]
    info2 = info1.find_all('div',class_="basic-filed")
    userinfo = {}
    for item in info2:
        vartag = item.find('span')
        var = vartag.string
        if var == '信用评级':
            var = '信用评分'
            pf1 = repr(item.find('em'))
            value = re.findall(r'd+',pf1)
        else:
            valuetag = item.find('em')
            value = valuetag.string
        userinfo[var]=value
    data = pd.DataFrame(userinfo)
    return data

rrd=pd.read_csv('loanId2.csv') #loanId是之前散标数据中的loanId,将其单独整理为一个csv文档
loanId=rrd.ix[:,'loanId']
user_info = ['昵称', '信用评分',

            '年龄', '学历', '婚姻',

            '申请借款', '信用额度', '逾期金额', '成功借款', '借款总额', '逾期次数','还清笔数', '待还本息', '严重逾期',

            '收入', '房产', '房贷', '车产', '车贷',

'公司行业', '公司规模', '岗位职位', '工作城市', '工作时间']

table = pd.DataFrame(np.array(user_info).reshape(1, 24), columns=user_info)

#帐号密码的话，你自己用手机在人人贷网上申请
username = ""
password = u""


LoginRRD(username, password)

i = 1
for loanid in loanId:
    table = pd.concat([table, parse_userinfo(loanid)])
    print(i)
    i += 1 #看一下循环多少次

table.to_csv('userinfo2.csv',header=False)

 相应数据图展示：

PS：
　　其中'loanId2.csv'是之前博客（http://www.cnblogs.com/Yiutto/p/5890906.html）爬取整理的loanId，只有通过loanId才能爬取借贷人信息。

　　后来运行上述代码大概爬了3000多条就中断了（应该是同一ip访问过多的问题），如果需要大量数据的可以考虑分批爬取，多台电脑同时进行。

　　欢迎打赏点赞，如有需要转载，请附属作者源地址。当然运行代码遇到问题可以@我。