P2P网站(人人贷)散标投资数据和借贷人的信息数据爬取
P2P网站(人人贷)散标投资数据和借贷人的信息数据爬取
有一篇有关爬取P2P网站上散标投资数据和借贷人的信息数据的博文，整合前人资料（http://sanwen8.cn/p/156w57U.html），说一下爬取中遇到的问题：
（一）首先分析"散标投资"这一个模块，共有51个页面
- 进入首页，调用360浏览器的F12（界面如下）选择Network->XHR
后在上图中左侧点击到第2个页面，右侧那一栏会弹出3个事件（对其中Method为GET的那一个事件进行分析）
点击Header，对General->Requesl URL, 和Request Headers->User-Agent 进行分析（后文中会用到）
仔细观察Request URL:http://www.we.com/lend/loanList!json.action?pageIndex=2&_=1474379219318，你会发现数据是Json格式，查看下一页，发现也是如此，不同页面的数据格式是相同的。对此，我们的抓取思路就是：获取网页源代码，从源代码中提取数据。
数据来自于类似这样的地址：http://www.we.com/lend/loanList!json.action?pageIndex=2&_=1457395836611,删除&_=1457395836611后的链接依然有效，打开链接发现是json格式的数据，而且数据就是当前页面的数据。至此，我们就找到了真正的数据来源。
以下就是爬取"散标列表"数据的代码（Python 3.5.2 |Anaconda 4.0.0 (64-bit)，低版本好像不能解析utf-8）
要想配置高版本见http://www.cnblogs.com/Yiutto/p/5631930.html
import pandas as pd import numpy as np import requests headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36'} #headers得根据自己的浏览器F12下自行修改调整，具体可见步骤c #自定义了一个解析网页的函数 def parse_html(i): url = "http://www.we.com/lend/loanList!json.action?pageIndex=%s&" % i #数据的真正来源（<strong>Request <a href="URL:http://www.we.com/lend/loanList!json.action?pageIndex=2&_=1474379219318">URL</a></strong>） resp=requests.get(url,headers=headers) #获取页面 html=resp.json() #页面文字 data=pd.DataFrame(html['data']['loans']) data.to_csv('loans%s.csv' % i) #将整理后的数据写入csv格式文档 print("%s successsed" % i)
（页面总共51个，可自己写个循环语句，但循环过程中可能出错，我自己就是一个个页面爬取的，然后再把51个页面的数据loan整合）
总的来说，第一步为得是给第二步做铺垫，因为第二步需要用到第一步中loans.csv中的loanId，可自行将其单独整理为一个csv文档。
（二）如何获取借贷人信息 a.点击其中一栏即可进入借贷人信息
为什么看不到借贷人信息呢，首先你的搞到一个帐号登录即可见（自己随便注册一个啦）
b.帐号登录后，按F12，刚开始又是空白，如下图
这时只要刷新一下页面，然后找到Method为Get的事件，点击打开
记住Request Headers->Cookie, 后面代码需要用到它
c.爬取借贷人信息的源代码
整理出来的数据可能会有点乱，但总的来说还是不错的。（相信大家还是能清理的）
