广西互联网金融平台系列-Scrapy结合Selenium爬虫爬取宝筹贷数据

本文主要是介绍广西互联网金融平台系列-Scrapy结合Selenium爬虫爬取宝筹贷数据,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

2019独角兽企业重金招聘Python工程师标准>>> hot3.png

一、背景

在平常爬取过程中会遇到很多结构不同和渲染方式不同的网站,比如这次的宝筹贷,它的列表页渲染方式和详情页的渲染方式是不一致的,详情页和投资记录的数据渲染方式则一致。遇到这样的数据,通常的应对方法有两种:

1.scrapy直接请求接口地址即可,模拟登录或者甚至不用登录,像爬取乐助贷、够力金融、汇泰在线这些平台一样,直接从接口拿数据就行了。

2.scrapy结合selenium进行爬取,这个就有意思了。

二、目的

通过工具的结合,对平台的数据进行抓取,只写逻辑,具体详细的入库操作就不仔细记录了。

三、条件

1.列表页渲染方式是html/css

2.详情页和投资记录页是通过Ajax和api进行通信的

3.投资记录的接口请求跟够力金融的类似,都是需要接口翻页(我就不重复写了)

四、工具

1.scrapy爬虫框架

2.selenium自动化测试工具

五、示例

代码逻辑:

1.在middleware里面将scrapy和selenium进行结合

2.在spider中重载方法,做到开启爬虫时自动调用浏览器,在爬虫退出后自动关闭浏览器

3.到列表页进行url的抽取,交给parse_detail进行详细的爬取

4.parse_detail进行详细数据爬取,并且交给item进行序列化

以下是spider里面的代码:


class BaochouSpider(scrapy.Spider):name = 'baochou'allowed_domains = ['www.baochoudai.com']start_urls = ['https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=lists&t=1']def __init__(self):"""通过chrome请求动态网页当爬虫关闭的时候  自动关闭浏览器窗口"""# 设置chromediver不加载图片chrome_opt = webdriver.ChromeOptions()  # 初始化配置ChromeOptionsprefs = {"profile.managed_default_content_settings.images": 2}  # 开关  这是固定写法chrome_opt.add_experimental_option("prefs", prefs)  # 配置进来self.browser = webdriver.Chrome(executable_path="E:/SpiderTools/chromedriver.exe",chrome_options=chrome_opt)super(BaochouSpider, self).__init__()# 当收到spider_closed信号的时候,调用下面的spider_colosed方法来关闭浏览器dispatcher.connect(self.spider_closed, signals.spider_closed)def spider_closed(self, spider):# 当爬虫退出的时候关闭chromeself.browser.quit()def parse(self, response):"""将当前列表页的每条标的链接拿到并传给detail进行深入爬取已知页码可以在url中循环  就不用翻页了"""total = response.css('h4.inline-block.mb15.fs22 a')for x in total:target_urls = x.css('::attr(href)').extract_first("")yield Request(url=parse.urljoin(response.url,target_urls),callback=self.parse_detail)for i in range(1,22):next_pages = "https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=lists&t=1&page=%s" %(i)yield Request(url=next_pages,callback=self.parse)def parse_detail(self, response):loaders = BaochouItemLoader(item=BaochouItem(),response=response)loaders.add_css("title", ".inline-block.pr20 span::text")loaders.add_css("protype", ".inline-block.pr20 span::text")loaders.add_css("amount", ".fl.w280.pt15 span.fs46.lh1::text")loaders.add_css("profit", ".fl.w220.pt15 span.fs46.lh1::text")loaders.add_css("terms", "div.pl30:nth-child(3) div:first-child span:first-child::text")loaders.add_value("target_urls", response.url)loaders.add_value("target_urls_id", response.url)iloaders_item = loaders.load_item()yield iloaders_item

middleware里面结合selenium的代码就不记录了。

六、总结

全程通过浏览器进行自动化爬取,写完代码运行即可

由于调用浏览器比较费时费力,所以在调用的时候禁止浏览器加载图片,速度加快一倍

其实这种加载浏览器的方式速度会变慢,实在不得已而为止的情况下再考虑用(比如某些网站限制爬虫访问,那么就要用到这种方式)

相对于直接请求接口api,这种方式得到的数据并没有那么齐全,如果是请求api也是可以拿到Userid的,对用户行为、偏好、投资能力等进行分析和推算。比如宝筹贷这个平台的投资人属性有以下几种:

1.很多投资人都是只投100元

2.投资终端最多的就是微信

3.可以根据api中投资人的手机号码计算投资人归属地

4.得到完整数据后计算投资总额top10/投资次数Top10

5.投资人单笔投资金额普遍是1000以内,超过1000的不多

七、部分数据展示

以下是宝筹贷的部分数据展示 包括(id 标题、金额、收益率、期限、对应地址、唯一id、来源、类型)等

'2131', '2017101703保汇贷03号', '500000', '10', '4.0', NULL, NULL, 'https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=show&borrow_nid=20171000003', '4b5f66f1445bcb6558515a85d5ba2c50', NULL, '宝筹贷', '14''2132', '2017101102保汇贷02号', '600000', '9.8', '3.0', NULL, NULL, 'https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=show&borrow_nid=20171000002', '4efd8370abcd9622df51c9f6a9fa674f', NULL, '宝筹贷', '14''2133', '20150731房产抵押借款项目第03号', '900000', '15', '1.0', NULL, NULL, 'https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=show&borrow_nid=20150700022', '700acd1785848a3072b484c0710251e0', NULL, '宝筹贷', '2''2134', '20150728房产抵押借款项目第01-22号', '20000', '18', '0.3333333333333333', NULL, NULL, 'https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=show&borrow_nid=20150700020', '3a2b77053c9518f02b579cff977e2e6e', NULL, '宝筹贷', '2''2135', '20150812房产抵押04-1号', '20000', '20', '0.5', NULL, NULL, 'https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=show&borrow_nid=20150800002', '3306ed018df098febcf08b55bd9a21f1', NULL, '宝筹贷', '2''2136', '20150807银行过桥项目第01号', '380000', '15', '0.3333333333333333', NULL, NULL, 'https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=show&borrow_nid=20150800001', '821d818039a38a0ec8f0c3e7b0fa9373', NULL, '宝筹贷', '14''2137', '20150818房产抵押04-2号', '20000', '20', '0.5', NULL, NULL, 'https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=show&borrow_nid=20150800003', '32217f70fbb8af31a234e5d4dc12f46c', NULL, '宝筹贷', '2'

转载于:https://my.oschina.net/RanboSpider/blog/1605694

这篇关于广西互联网金融平台系列-Scrapy结合Selenium爬虫爬取宝筹贷数据的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/761398

相关文章

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

流媒体平台/视频监控/安防视频汇聚EasyCVR播放暂停后视频画面黑屏是什么原因?

视频智能分析/视频监控/安防监控综合管理系统EasyCVR视频汇聚融合平台,是TSINGSEE青犀视频垂直深耕音视频流媒体技术、AI智能技术领域的杰出成果。该平台以其强大的视频处理、汇聚与融合能力,在构建全栈视频监控系统中展现出了独特的优势。视频监控管理系统EasyCVR平台内置了强大的视频解码、转码、压缩等技术,能够处理多种视频流格式,并以多种格式(RTMP、RTSP、HTTP-FLV、WebS

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟 开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚 第一站:海量资源,应有尽有 走进“智听