网信贷黑名单网站截图：
真实数据截图：
我这里想爬取这些个人的信息，但是有些内容是需要登陆才可以查看的，所以先去注册了一个账号。
登陆进来后得到的内容是完整的：
(PS：这里就不激活邮箱了)
– 结构分析&代码编写
这些被黑名单的人信息是首页点入进去的，对比下：
<tr οnclick="localHref('jgp94CtrsB')" class="pointer">点开后的链接是：
acklist-jgp94CtrsB.html
相信大家一眼就看出来了规律吧，显示的HTML代码中有链接特征。
根据链接的规则我们可以写出这样一段python代码：
target_url = 'https://*.cc' #设置url r = requests.get(target_url) #访问url html = r.text#获取html代码 h = r"localHref(\'(.*?)\')" #正则代码 h_re = re.compile(h) #生成正则 href_all = h_re.findall(html) #正则匹配出链接特征 for i in href_all: #匹配出来的链接特征需要用for遍历 url = 'https://*.cc/blacklist-' + i + '.html' #遍历出来组合成url现在我要获取的是“姓名、身份证、手机号、微信、支付宝”，这里我使用的是XPATH来获取这些数据，因为这样更简单一些。
大概的来了解下XPATH的语法吧：
这里完全可以使用更快速的方法：
直接使用Firebug或者其它浏览器的Copy XPath：
得到的XPath语法：
/html/body/div[2]/div/div/h2我们要获取的名字是h2标签内的所以直接修改成：
/html/body/div[2]/div/div/h2/text()直接上Python代码：
(注：from lxml import etree 是支持XPath语法的库)
可以看到输出的结果是unicode编码 ，直接解码就显示了：
其他的XPath代码：
sfzOBJ = htmlOBJ.xpath('//h3[@class="margin_top_15"]/span[@class="inline"]/i[1]/text()') #身份证 phoneOBJ = htmlOBJ.xpath('//*[@id="body"]/div/div/h3[1]/span[2]/i/text()') #手机号 wechatOBJ = htmlOBJ.xpath('//*[@id="body"]/div/div/div[3]/span[1]/text()') #微信 alipayOBJ = htmlOBJ.xpath('//*[@id="body"]/div/div/div[3]/span[2]/text()') #支付宝这里要记得加上登陆的Cookie去访问哦：
1.在控制台输入document.cookie获取Cookie
2.带上Cookie请求访问
geturl = requests.get(url,headers={'Cookie':'__cfduid=d8b7bef3c3b678161d9fe747ccb651cea1499931877; PHPSESSID=mp6oh6j7o03hqd42n06r9p2bii; AJSTAT_ok_pages=5; AJSTAT_ok_times=1; _ga=GA1.2.1572452184.1499931870; _gid=GA1.2.2100292624.1499931870'})– 最后
核心的代码都写好了，其他的就是结构的梳理，完善代码：
import requests,re from requests.packages.urllib3.exceptions import InsecureRequestWarning requests.packages.urllib3.disable_warnings(InsecureRequestWarning) from lxml import etree target_url = 'https://www.xinyongheimingdan.cc/' cookie = '你的cookie' r = requests.get(target_url,headers={ 'Cookie':cookie }) html = r.text h = r"localHref\(\'(.*?)\'\)" h_re = re.compile(h) href_all = h_re.findall(html) for i in href_all: url = 'https://www.xinyongheimingdan.cc/blacklist-' + i + '.html' geturl = requests.get(url,headers={ 'Cookie':cookie }) urlHTML = geturl.text.encode("utf-8") htmlOBJ = etree.HTML(urlHTML) nameOBJ = htmlOBJ.xpath('/html/body/div[2]/div/div/h2/text()') sfzOBJ = htmlOBJ.xpath('//h3[@class="margin_top_15"]/span[@class="inline"]/i[1]/text()') phoneOBJ = htmlOBJ.xpath('//*[@id="body"]/div/div/h3[1]/span[2]/i/text()') wechatOBJ = htmlOBJ.xpath('//*[@id="body"]/div/div/div[3]/span[1]/text()') alipayOBJ = htmlOBJ.xpath('//*[@id="body"]/div/div/div[3]/span[2]/text()') all_info = nameOBJ,sfzOBJ,phoneOBJ,wechatOBJ,alipayOBJ print all_info成果：
本文作者：Peter Winter
来源：51CTO
