世纪佳缘php查学历吗,爬了世纪佳缘后发现了一个秘密,世纪佳缘找对象靠谱吗?...
今天在知乎上看到一个关于【世纪佳缘找对象靠谱吗?】的讨论,其中关注的人有 1903,被浏览了 1940753 次,355 个回答中大多数都是不靠谱。用 Python 爬取世纪佳缘的数据是否能证明它的不靠谱?
数据抓取
在 PC 端打开世纪佳缘网站,搜索 20 到 30 岁、不限地区的女朋友
翻了几页找到一个 search_v2.php 的链接,它的返回值是一个不规则的 json 串,其中包含了昵称、性别、是否婚配、匹配条件等等
点开 Hearders 拉到最下面,在它的参数中 sex 是性别、stc 是年龄、p 是分页、listStyle 是有照片
通过 url + 参数的 get 方式,抓取了 10000 页的数据总共 240116
需要安装的模块有 openpyxl,用于过滤特殊的字符
# 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) + '页' + str(len(html)) + '*********' * 20)
parseHtml(html)
发现秘密
在处理数据去掉重复的时候发现有好多重复的,还以为是代码写的有问题呢,查了好久的 bug 最后才发现网站在 100 页只有的数据有好多重复的,下面两个图分别是 110 页数据和 111 页数据,是不是有很多熟面孔。
110 页数据
111 页数据
过滤重复后的数据只剩下 1872 了,这个水分还真大
def filterData():
filter = []
csv_reader = csv.reader(open("sjjy.csv", encoding='gbk'))
i = 0
for row in csv_reader:
i = i + 1
print('正在处理:' + str(i) + '行')
if row[0] not in filter:
filter.append(row[0])
print(len(filter))
总结
世纪佳缘的数据告诉我们网上交友需谨慎。用好 Python 走遍网络都不怕。
点个“在看”支持一下
世纪佳缘php查学历吗,爬了世纪佳缘后发现了一个秘密,世纪佳缘找对象靠谱吗?...相关推荐
- python是一种面向对象的高级语言_爬了世纪佳缘后发现了一个秘密,世纪佳缘找对象靠谱吗?...
今天在知乎上看到一个关于[世纪佳缘找对象靠谱吗?]的讨论,其中关注的人有 1903,被浏览了 1940753 次,355 个回答中大多数都是不靠谱.用 Python 爬取世纪佳缘的数据是否能证明它的不 ...
- 爬了世纪佳缘后发现了一个秘密,世纪佳缘找对象靠谱吗?
今天在知乎上看到一个关于[世纪佳缘找对象靠谱吗?]的讨论,其中关注的人有 1903,被浏览了 1940753 次,355 个回答中大多数都是不靠谱.用 Python 爬取世纪佳缘的数据是否能证明它的不 ...
- 爬了世纪佳缘后发现了一个秘密
文 | 某某白米饭 来源:Python 技术「ID: pythonall」 今天在知乎上看到一个关于[世纪佳缘找对象靠谱吗?]的讨论,其中关注的人有 1903,被浏览了 1940753 次,355 个 ...
- 爬了10000张NASA关于火星探索的图片,我发现了一个秘密
前言 最近,我使用爬虫技术,爬取了美国航空航天局,也就是你电影里经常见到的 NASA, 火星探索的相关图片,有 10000 张吧. 嗯嗯,小事情,小事情. 完事儿之后,有点小激动,于是就有了这篇文章, ...
- 爬取三千条数据需要多久_数字科学家赚多少钱?我爬取近 6 年三千份数据后发现了这些秘密...
数字科学家究竟能赚多少钱?这大概是数据科学领域最有趣.关注度最高的一个问题了.近期,美国一位对这个问题充满好奇的数据科学家 Tony Yiu,针对数据科学家的薪资水平做了一次数据分析.他爬取了 201 ...
- 爬了深圳3W+二手房我发现了这些秘密
来了就是深圳人,一句多么包容的文案,但来了才能体会到其中的辛酸,因为实际上大部分来了是东莞惠州人. 用爬虫爬了某房产中介深圳地区的37518套二手房,其中普通住宅有30088套,本文章的内容以普通住宅 ...
- 爬取了3W 用户评价后发现用户眼中的坚果3是这样的
实现过程介绍 从网页爬取数据 思路 首先我们打开京东商城坚果3 的购买页面: 然后按F12进入开发者控制台(审查元素): 发现什么都没有,不要紧,点开评论区,你就会发现控制台出现类似这些信息: 控制台 ...
- Python网络爬虫实战:世纪佳缘爬取近6万条小姐姐数据后发现惊天秘密
翻着安静到死寂的聊天列表,我忽然惊醒,不行,我们不能这样下去,光羡慕别人有什么用,我们要行动起来,去找自己的幸福!!! 我也想"谈不分手的恋爱" !!!内牛满面!!! 注册登陆一气 ...
- denied 登陆后access_Python网络爬虫实战:世纪佳缘爬取近6万条小姐姐数据后发现惊天秘密...
翻着安静到死寂的聊天列表,我忽然惊醒,不行,我们不能这样下去,光羡慕别人有什么用,我们要行动起来,去找自己的幸福!!! 我也想"谈不分手的恋爱" !!!内牛满面!!! 注册登陆一气 ...
- 软件测试公司都会查学历吗,高新技术企业申请会查员工学历吗?申请高新技术企业注意事项解读...
高新技术企业申请会查员工学历吗?申请高新技术企业注意事项解读 一.高新技术企业申请会查员工学历吗? 答案是会查学历.查学历的目的主要用来鉴定企业研发大专以上人员人数占比,大专学历以上占比越多,说明企业 ...
最新文章
- ASP.NET虚拟主机的重大安全隐患
- Image Filters for IOS
- Win32ASm学习[1]:RadASm下测试Debug
- 信息学奥赛一本通 1167:再求f(x,n)
- oracle PROFILE的使用学习
- 德勤元宇宙综观:愿景、技术和应对
- 自己动手修改VB.NET支付宝接口
- 解决gradle运行gradle -v命令报Fialed to laod library 'native-platform.dll'错误
- ctfshow web78-web81文件包含漏洞 wp
- 2021年高考成绩查询无为二中,2021年无为县高考状元名单资料,今年无为县高考状元多少分...
- Android-smart-image-view加载网络图片
- 微信小程序微信原生小程序如何通过后端返回的二进制流导出excel文件并保存和转发
- node.js - 收藏集
- 数据挖掘之对河南省的疫情分析
- android hid 鼠标,使用BluetoothHidDevice将安卓手机同时模拟成鼠标和键盘
- flex布局控制每行显示几个且有间隔
- 2023年电工杯 | 2023年电工杯数学建模竞赛思路(A题、B题)
- 详解温度传感器DS18B20编程与使用
- Navicat Premium和Navicat for MySQL的区别
- python实现SlopeOne
热门文章
- 无锡工艺技术计算机信息管理论文,无锡工艺职业技术学院05/06学年第一学期.doc...
- linux 终端显示的文件颜色的含义
- 【冰爪游戏】MC教程 —— 自定义皮肤
- 大话设计模式之爱你一万年:第八章 结构型模式:外观(门面)模式:冬天有你不再寒冷:2.外观模式之一键开关
- php不使用框架,导出Excel,这里有代码,全解
- Python_配置清华镜像源的方法
- 万物互联之边缘计算岗位分析
- 飞利浦css5530+g评测,飞利浦这套入门家庭影院CSS5530竟毫不逊色于自家旗舰!
- 华三服务器启用cpu虚拟化,启动BIOS的虚拟化设置方法|开启CPU虚拟化支持
- 计算机里pc是什么,什么是pc?pc是什么意思?