共计 5501 个字符，预计需要花费 14 分钟才能阅读完成。
代码已经上传到 github 上
简介：
这是一个基于 python3 而写的爬虫，爬取的网站的脉脉网 (https://maimai.cn/)，在搜索框中搜索“CHO”，并切换到“人脉”选项卡，点击姓名，进入详情页，爬取其详细信息
获取的具体信息有：
基本信息、工作经历、教育经历、职业标签及其认可数、点评信息
几度关系：一度、二度、三度等
写给用户的
注意：如果你只是想使用这个项目，那么你可以看这里
如何使用：
使用之前，你要已经保证安装好相关的库和软件：
re
requests
selenium
logging
pymysql
chrome
mysql
使用：
从 github 上复制代码
填写自己的脉脉手机号和密码（你可以在 login.py 文件中找到他）
建表（详细建表见下）
运行程序 login.py
详细建表
需要 5 张表，下面附上代码：
表 1：basic_info(脉脉好友基本信息)
CREATE TABLE `basic_info` (
`id` int(11) NOT NULL AUTO_INCREMENT COMMENT ‘ID’,
`name` varchar(56) NOT NULL COMMENT ‘ 名字 ’,
`mmid` int(11) NOT NULL COMMENT ‘mmid’,
`rank` int(11) DEFAULT NULL COMMENT ‘ 影响力 ’,
`company` varchar(128) DEFAULT NULL COMMENT ‘ 目前公司简称 ’,
`stdname` varchar(128) DEFAULT NULL COMMENT ‘ 目前公司全称 ’,
`position` varchar(128) DEFAULT NULL COMMENT ‘ 目前职位 ’,
`headline` text COMMENT ‘ 自我介绍 ’,
`ht_province` varchar(128) DEFAULT NULL COMMENT ‘ 家乡 - 省 ’,
`ht_city` varchar(128) DEFAULT NULL COMMENT ‘ 家乡 - 城市 ’,
`email` varchar(128) DEFAULT NULL COMMENT ‘ 邮箱 ’,
`mobile` varchar(128) DEFAULT NULL COMMENT ‘ 手机 ’,
`dist` tinyint(1) DEFAULT NULL COMMENT ‘ 几度关系 ’,
PRIMARY KEY (`id`),
UNIQUE KEY `mmid` (`mmid`)
) ENGINE=InnoDB AUTO_INCREMENT=873 DEFAULT CHARSET=gbk ROW_FORMAT=DYNAMIC COMMENT=’ 脉脉好友基本信息 ’
]
表 2：education_exp(脉脉好友教育经历)
CREATE TABLE `education_exp` (
`id` int(11) NOT NULL AUTO_INCREMENT COMMENT ‘ID’,
`mmid` int(11) NOT NULL COMMENT ‘mmid’,
`school_name` varchar(128) DEFAULT NULL COMMENT ‘ 学校名称 ’,
`department` varchar(128) DEFAULT NULL COMMENT ‘ 专业 ’,
`education` int(5) DEFAULT NULL COMMENT ‘ 学历（0：专科，1：本科，2：硕士，3：博士，255：其他）’,
`start_year` int(11) DEFAULT NULL COMMENT ‘ 开始时间（年）默认为 0000’,
`start_mon` int(11) DEFAULT NULL COMMENT ‘ 开始时间（月）默认为 0000’,
`end_year` int(11) DEFAULT NULL COMMENT ‘ 结束时间（年）默认为 0000’,
`end_mon` int(11) DEFAULT NULL COMMENT ‘ 结束时间（月）默认为 0000′,
PRIMARY KEY (`id`),
UNIQUE KEY `mmid` (`mmid`,`school_name`,`education`,`start_year`)
) ENGINE=InnoDB AUTO_INCREMENT=1064 DEFAULT CHARSET=gbk ROW_FORMAT=DYNAMIC COMMENT=’ 脉脉好友教育经历 ’
表 3：review_info(脉脉好友点评信息)
CREATE TABLE `review_info` (
`id` int(11) NOT NULL AUTO_INCREMENT COMMENT ‘ID’,
`mmid` int(11) NOT NULL COMMENT ‘mmid’,
`reviewer` varchar(128) DEFAULT NULL COMMENT ‘ 点评人 ’,
`relationship` varchar(128) DEFAULT NULL COMMENT ‘ 关系 ’,
`position` varchar(128) DEFAULT NULL COMMENT ‘ 点评人职位 ’,
`eva_info` text COMMENT ‘ 评价信息 ’,
PRIMARY KEY (`id`),
UNIQUE KEY `mmid` (`mmid`,`reviewer`)
) ENGINE=InnoDB AUTO_INCREMENT=400 DEFAULT CHARSET=gbk ROW_FORMAT=DYNAMIC COMMENT=’ 脉脉好友点评信息 ’
表 4：tag_info(脉脉好友点评信息)
CREATE TABLE `tag_info` (
`id` int(11) NOT NULL AUTO_INCREMENT COMMENT ‘ID’,
`mmid` int(11) NOT NULL COMMENT ‘mmid’,
`tag` varchar(128) DEFAULT NULL COMMENT ‘ 标签 ’,
`rec_num` varchar(128) DEFAULT NULL COMMENT ‘ 认可度 ’,
PRIMARY KEY (`id`),
UNIQUE KEY `UNIQUE` (`mmid`,`tag`,`rec_num`)
) ENGINE=InnoDB AUTO_INCREMENT=5881 DEFAULT CHARSET=gbk ROW_FORMAT=DYNAMIC COMMENT=’ 脉脉好友点评信息 ’
表 5：work_exp(脉脉好友工作经历)
CREATE TABLE `work_exp` (
`id` int(11) NOT NULL AUTO_INCREMENT COMMENT ‘ID’,
`mmid` int(11) NOT NULL COMMENT ‘mmid’,
`company` varchar(128) DEFAULT NULL COMMENT ‘ 公司简称 ’,
`stdname` varchar(128) DEFAULT NULL COMMENT ‘ 公司全称 ’,
`et_url` varchar(244) DEFAULT NULL COMMENT ‘ 公司页面 url’,
`description` text COMMENT ‘ 描述 ’,
`start_year` int(11) DEFAULT NULL COMMENT ‘ 开始时间（年）默认 0000’,
`start_mon` int(11) DEFAULT NULL COMMENT ‘ 开始时间（月）默认 0000’,
`end_year` int(11) DEFAULT NULL COMMENT ‘ 结束时间（年）默认 0000’,
`end_mon` int(11) DEFAULT NULL COMMENT ‘ 结束时间（月）默认 0000’,
`position` varchar(128) DEFAULT NULL COMMENT ‘ 职位 ’,
PRIMARY KEY (`id`),
UNIQUE KEY `UNIQUE` (`mmid`,`company`,`start_year`,`position`)
) ENGINE=InnoDB AUTO_INCREMENT=2582 DEFAULT CHARSET=gbk ROW_FORMAT=DYNAMIC COMMENT=’ 脉脉好友工作经历 ’
写给开发者的
如果你是一个开发者，那么请看这里
具体的每个函数的作用，就不细说了，代码中有注释，可以自行查看
请求：
在这里我们主要说说请求这一块：
请求需要解决 2 个问题：
第一个是使用 cookies 模拟登陆
第二个是数据获取
模拟登陆
这是使用 selenium 驱动浏览器登录脉脉，然后获取 cookie 这样来就省去了自己去拼接 cookie 的麻烦，获取到 cookie 之后，在利用 cookie 来进行 requests 请求数据，这里不再使用 selenium 是因为 selenium 太慢，而且比较容易出错
看一下代码，思路是：
设置 selenium 参数
使用 selenium 打开到登录网址
输入手机号和密码，进行登录
获取 cookies，并存到 json 文件中
这样就获取 cookies 成功了，之后将 cookies 添加到 requests 请求中，进行数据获取
def get_cookies():
“””
使用 selenium 获取 cookies 的值，将其存在文件中
:return:
“””
logger.info(“ 使用 selenium 获取 cookies”)
chrome_options = Options()
chrome_options.add_argument(‘–no-sandbox’) # 解决 DevToolsActivePort 文件不存在的报错
chrome_options.add_argument(‘–disable-gpu’) # 谷歌文件提到需要加这个属性来规避 bug
chrome_options.add_argument(‘–headless’) # 无界面设置
chrome = webdriver.Chrome(chrome_options=chrome_options)
login_url = “https://acc.maimai.cn/login”
chrome.get(login_url)
wait = WebDriverWait(chrome, 10)
wait.until(EC.element_to_be_clickable((‘xpath’, “//input[@class=’loginBtn’]”)))
time.sleep(1)
user_name = “***” # 你的手机号
password = “***” # 你的密码
chrome.find_element(“xpath”, “//input[@class=’loginPhoneInput’]”).send_keys(user_name)
time.sleep(1)
chrome.find_element(“xpath”, “//input[@id=’login_pw’]”).send_keys(password)
chrome.find_element(‘xpath’, “//input[@class=’loginBtn’]”).click()
cookies = chrome.get_cookies()
with open(“cookie.json”, “w+”)as f:
f.write(json.dumps(cookies))
f.close()
logger.info(“cookies 获取成功 ”)
chrome.close()
数据获取
这里面主要有 2 个问题：
第一个网站使用了 ajax 加载，我们需要找到我们需要的 url
第二个是获取的 html 需要进行处理，才能被我们所利用
ajax 加载
直接去请求 https://maimai.cn/web/search_center?type=contact&query=cho&highlight=true 这里，获取的信息是不全的，这里使用了 ajax 加载，我们打开 google 看一下，按 F12 打开开发者模式看一下
如图，我们可以在这里找我们需要的数据，这个是 url：https://maimai.cn/search/cont…，这里获取的是 json 格式的数据，非常好解析，再进一步去获取详细信息的页面的时候，其方法也是一样的，这里就不多做说明了
html 页面数据处理的问题
有一部分的数据是以 json 的形式返回给我们的，但是还有一些数据是在原网页中一起返回的，虽然也是 json 的形式，但是处理起来还是有一定的麻烦，看一下原网页的数据
这个 JSON.parse 后面的数据也是我们需要的，可以发现这里有一些像 ”u0022″ 的数据，这个其实是双引号的 utf8 编码，还有一些其他的字符，会以 utf8 编码的形式返回的，直接处理很不好处理，我们先将这些字符编码替换为对应的字符，之后转成 json 的格式进行解析，这样就方便多了，看一下代码：
def json_info(html):
“””
处理获取的 html，转换为 json 格式
:param html:
:return:
“””
print(html.text)
c = re.search(‘JSON\.parse\(“(.*?)”\);</script><script\ssrc=’, html.text, re.S).group(1) # 正则匹配所需要的数据
d = c.replace(‘\\u0022’, ‘”‘).replace(“\\u002D”, “-“).replace(“\\u0026”, ‘&’).replace(“\\u005C”, “\\”) # 对数据进行处理
data = json.loads(d)
return data
思路是很简单的：
先是将用正则匹配所需要的数据
拿下来之后将一些 utf8 编码的字符替换掉
转换为 json 的格式进行解析
主要需要解决的问题就只有这些，其他的一些数据处理，存储都是很简单和常见的，就不多做说明了
