轉載自 http://blog.csdn.net/wxg694175346/article/list/1
先來說一下我們學校的網站:
http://jwxt.sdu.edu.cn:7777/zhxt_bks/zhxt_bks.html
查詢成績需要登錄,然後顯示各學科成績,但是隻顯示成績而沒有績點,也就是加權平均分。
顯然這樣手動計算績點是一件非常麻煩的事情。所以我們可以用python做一個爬蟲來解決這個問題。
1.決戰前夜
先來準備一下工具:HttpFox插件。
這是一款http協議分析插件,分析頁面請求和響應的時間、內容、以及瀏覽器用到的COOKIE等。
以我爲例,安裝在火狐上即可,效果如圖:
可以非常直觀的查看相應的信息。
點擊start是開始檢測,點擊stop暫停檢測,點擊clear清除內容。
一般在使用之前,點擊stop暫停,然後點擊clear清屏,確保看到的是訪問當前頁面獲得的數據。
2.深入敵後
下面就去山東大學的成績查詢網站,看一看在登錄的時候,到底發送了那些信息。
先來到登錄頁面,把httpfox打開,clear之後,點擊start開啓檢測:
輸入完了個人信息,確保httpfox處於開啓狀態,然後點擊確定提交信息,實現登錄。
這個時候可以看到,httpfox檢測到了三條信息:
這時點擊stop鍵,確保捕獲到的是訪問該頁面之後反饋的數據,以便我們做爬蟲的時候模擬登陸使用。
3.庖丁解牛
乍一看我們拿到了三個數據,兩個是GET的一個是POST的,但是它們到底是什麼,應該怎麼用,我們還一無所知。
所以,我們需要挨個查看一下捕獲到的內容。
先看POST的信息:
既然是POST的信息,我們就直接看PostData即可。
可以看到一共POST兩個數據,stuid和pwd。
並且從Type的Redirect to可以看出,POST完畢之後跳轉到了bks_login2.loginmessage頁面。
由此看出,這個數據是點擊確定之後提交的表單數據。
點擊cookie標籤,看看cookie信息:
沒錯,收到了一個ACCOUNT的cookie,並且在session結束之後自動銷燬。
那麼提交之後收到了哪些信息呢?
我們來看看後面的兩個GET數據。
先看第一個,我們點擊content標籤可以查看收到的內容,是不是有一種生吞活剝的快感-。-HTML源碼暴露無疑了:
看來這個只是顯示頁面的html源碼而已,點擊cookie,查看cookie的相關信息:
啊哈,原來html頁面的內容是發送了cookie信息之後才接受到的。
再來看看最後一個接收到的信息:
大致看了一下應該只是一個叫做style.css的css文件,對我們沒有太大的作用。
4.冷靜應戰
既然已經知道了我們向服務器發送了什麼數據,也知道了我們接收到了什麼數據,基本的流程如下:
- 首先,我們POST學號和密碼--->然後返回cookie的值
- 然後發送cookie給服務器--->返回頁面信息。
- 獲取到成績頁面的數據,用正則表達式將成績和學分單獨取出並計算加權平均數。
OK,看上去好像很簡單的樣紙。那下面我們就來試試看吧。
但是在實驗之前,還有一個問題沒有解決,就是POST的數據到底發送到了哪裏?
再來看一下當初的頁面:
很明顯是用一個html框架來實現的,也就是說,我們在地址欄看到的地址並不是右邊提交表單的地址。
那麼怎樣才能獲得真正的地址-。-右擊查看頁面源代碼:
嗯沒錯,那個name="w_right"的就是我們要的登錄頁面。
網站的原來的地址是:
http://jwxt.sdu.edu.cn:7777/zhxt_bks/zhxt_bks.html
所以,真正的表單提交的地址應該是:
http://jwxt.sdu.edu.cn:7777/zhxt_bks/xk_login.html
輸入一看,果不其然:
靠居然是清華大學的選課系統。。。目測是我校懶得做頁面了就直接借了。。結果連標題都不改一下。。。
但是這個頁面依舊不是我們需要的頁面,因爲我們的POST數據提交到的頁面,應該是表單form的ACTION中提交到的頁面。
也就是說,我們需要查看源碼,來知道POST數據到底發送到了哪裏:
嗯,目測這個纔是提交POST數據的地址。
整理到地址欄中,完整的地址應該如下:
http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bks_login2.login
(獲取的方式很簡單,在火狐瀏覽器中直接點擊那個鏈接就能看到這個鏈接的地址了)
5.小試牛刀
接下來的任務就是:用python模擬發送一個POST的數據並取到返回的cookie值。
關於cookie的操作可以看看這篇博文:
http://blog.csdn.net/wxg694175346/article/details/8925978
我們先準備一個POST的數據,再準備一個cookie的接收,然後寫出源碼如下:
- # -*- coding: utf-8 -*-
- #---------------------------------------
- # 程序:山東大學爬蟲
- # 版本:0.1
- # 作者:why
- # 日期:2013-07-12
- # 語言:Python 2.7
- # 操作:輸入學號和密碼
- # 功能:輸出成績的加權平均值也就是績點
- #---------------------------------------
- import urllib
- import urllib2
- import cookielib
- cookie = cookielib.CookieJar()
- opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
- #需要POST的數據#
- postdata=urllib.urlencode({
- 'stuid':'201100300428',
- 'pwd':'921030'
- })
- #自定義一個請求#
- req = urllib2.Request(
- url = 'http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bks_login2.login',
- data = postdata
- )
- #訪問該鏈接#
- result = opener.open(req)
- #打印返回的內容#
- print result.read()
如此這般之後,再看看運行的效果:
ok,如此這般,我們就算模擬登陸成功了。
6.偷天換日
接下來的任務就是用爬蟲獲取到學生的成績。
再來看看源網站。
開啓HTTPFOX之後,點擊查看成績,發現捕獲到了如下的數據:
點擊第一個GET的數據,查看內容可以發現Content就是獲取到的成績的內容。
而獲取到的頁面鏈接,從頁面源代碼中右擊查看元素,可以看到點擊鏈接之後跳轉的頁面(火狐瀏覽器只需要右擊,“查看此框架”,即可):
從而可以得到查看成績的鏈接如下:
http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bkscjcx.curscopre
7.萬事俱備
現在萬事俱備啦,所以只需要把鏈接應用到爬蟲裏面,看看能否查看到成績的頁面。
從httpfox可以看到,我們發送了一個cookie才能返回成績的信息,所以我們就用python模擬一個cookie的發送,以此來請求成績的信息:
- # -*- coding: utf-8 -*-
- #---------------------------------------
- # 程序:山東大學爬蟲
- # 版本:0.1
- # 作者:why
- # 日期:2013-07-12
- # 語言:Python 2.7
- # 操作:輸入學號和密碼
- # 功能:輸出成績的加權平均值也就是績點
- #---------------------------------------
- import urllib
- import urllib2
- import cookielib
- #初始化一個CookieJar來處理Cookie的信息#
- cookie = cookielib.CookieJar()
- #創建一個新的opener來使用我們的CookieJar#
- opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
- #需要POST的數據#
- postdata=urllib.urlencode({
- 'stuid':'201100300428',
- 'pwd':'921030'
- })
- #自定義一個請求#
- req = urllib2.Request(
- url = 'http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bks_login2.login',
- data = postdata
- )
- #訪問該鏈接#
- result = opener.open(req)
- #打印返回的內容#
- print result.read()
- #打印cookie的值
- for item in cookie:
- print 'Cookie:Name = '+item.name
- print 'Cookie:Value = '+item.value
- #訪問該鏈接#
- result = opener.open('http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bkscjcx.curscopre')
- #打印返回的內容#
- print result.read()
按下F5運行即可,看看捕獲到的數據吧:
既然這樣就沒有什麼問題了吧,用正則表達式將數據稍稍處理一下,取出學分和相應的分數就可以了。
8.手到擒來
這麼一大堆html源碼顯然是不利於我們處理的,下面要用正則表達式來摳出必須的數據。
關於正則表達式的教程可以看看這個博文:
http://blog.csdn.net/wxg694175346/article/details/8929576
我們來看看成績的源碼:
既然如此,用正則表達式就易如反掌了。
我們將代碼稍稍整理一下,然後用正則來取出數據:
- # -*- coding: utf-8 -*-
- #---------------------------------------
- # 程序:山東大學爬蟲
- # 版本:0.1
- # 作者:why
- # 日期:2013-07-12
- # 語言:Python 2.7
- # 操作:輸入學號和密碼
- # 功能:輸出成績的加權平均值也就是績點
- #---------------------------------------
- import urllib
- import urllib2
- import cookielib
- import re
- class SDU_Spider:
- # 申明相關的屬性
- def __init__(self):
- self.loginUrl = 'http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bks_login2.login' # 登錄的url
- self.resultUrl = 'http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bkscjcx.curscopre' # 顯示成績的url
- self.cookieJar = cookielib.CookieJar() # 初始化一個CookieJar來處理Cookie的信息
- self.postdata=urllib.urlencode({'stuid':'201100300428','pwd':'921030'}) # POST的數據
- self.weights = [] #存儲權重,也就是學分
- self.points = [] #存儲分數,也就是成績
- self.opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(self.cookieJar))
- def sdu_init(self):
- # 初始化鏈接並且獲取cookie
- myRequest = urllib2.Request(url = self.loginUrl,data = self.postdata) # 自定義一個請求
- result = self.opener.open(myRequest) # 訪問登錄頁面,獲取到必須的cookie的值
- result = self.opener.open(self.resultUrl) # 訪問成績頁面,獲得成績的數據
- # 打印返回的內容
- # print result.read()
- self.deal_data(result.read().decode('gbk'))
- self.print_data(self.weights);
- self.print_data(self.points);
- # 將內容從頁面代碼中摳出來
- def deal_data(self,myPage):
- myItems = re.findall('<TR>.*?<p.*?<p.*?<p.*?<p.*?<p.*?>(.*?)</p>.*?<p.*?<p.*?>(.*?)</p>.*?</TR>',myPage,re.S) #獲取到學分
- for item in myItems:
- self.weights.append(item[0].encode('gbk'))
- self.points.append(item[1].encode('gbk'))
- # 將內容從頁面代碼中摳出來
- def print_data(self,items):
- for item in items:
- print item
- #調用
- mySpider = SDU_Spider()
- mySpider.sdu_init()
水平有限,,正則是有點醜,。運行的效果如圖:
ok,接下來的只是數據的處理問題了。。
9.凱旋而歸
完整的代碼如下,至此一個完整的爬蟲項目便完工了。
- # -*- coding: utf-8 -*-
- #---------------------------------------
- # 程序:山東大學爬蟲
- # 版本:0.1
- # 作者:why
- # 日期:2013-07-12
- # 語言:Python 2.7
- # 操作:輸入學號和密碼
- # 功能:輸出成績的加權平均值也就是績點
- #---------------------------------------
- import urllib
- import urllib2
- import cookielib
- import re
- import string
- class SDU_Spider:
- # 申明相關的屬性
- def __init__(self):
- self.loginUrl = 'http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bks_login2.login' # 登錄的url
- self.resultUrl = 'http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bkscjcx.curscopre' # 顯示成績的url
- self.cookieJar = cookielib.CookieJar() # 初始化一個CookieJar來處理Cookie的信息
- self.postdata=urllib.urlencode({'stuid':'201100300428','pwd':'921030'}) # POST的數據
- self.weights = [] #存儲權重,也就是學分
- self.points = [] #存儲分數,也就是成績
- self.opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(self.cookieJar))
- def sdu_init(self):
- # 初始化鏈接並且獲取cookie
- myRequest = urllib2.Request(url = self.loginUrl,data = self.postdata) # 自定義一個請求
- result = self.opener.open(myRequest) # 訪問登錄頁面,獲取到必須的cookie的值
- result = self.opener.open(self.resultUrl) # 訪問成績頁面,獲得成績的數據
- # 打印返回的內容
- # print result.read()
- self.deal_data(result.read().decode('gbk'))
- self.calculate_date();
- # 將內容從頁面代碼中摳出來
- def deal_data(self,myPage):
- myItems = re.findall('<TR>.*?<p.*?<p.*?<p.*?<p.*?<p.*?>(.*?)</p>.*?<p.*?<p.*?>(.*?)</p>.*?</TR>',myPage,re.S) #獲取到學分
- for item in myItems:
- self.weights.append(item[0].encode('gbk'))
- self.points.append(item[1].encode('gbk'))
- #計算績點,如果成績還沒出來,或者成績是優秀良好,就不運算該成績
- def calculate_date(self):
- point = 0.0
- weight = 0.0
- for i in range(len(self.points)):
- if(self.points[i].isdigit()):
- point += string.atof(self.points[i])*string.atof(self.weights[i])
- weight += string.atof(self.weights[i])
- print point/weight
- #調用
- mySpider = SDU_Spider()
- mySpider.sdu_init()