腳本之家服務(wù)器常用軟件

快捷導(dǎo)航

零基礎(chǔ)寫python爬蟲之爬蟲編寫全記錄

更新時間：2014年11月06日 11:39:30 投稿：hebedich

前面九篇文章從基礎(chǔ)到編寫都做了詳細(xì)的介紹了，第十篇么講究個十全十美，那么我們就來詳細(xì)記錄一下一個爬蟲程序如何一步步編寫出來的，各位看官可要看仔細(xì)了

先來說一下我們學(xué)校的網(wǎng)站：

http://jwxt.sdu.edu.cn:7777/zhxt_bks/zhxt_bks.html

查詢成績需要登錄，然后顯示各學(xué)科成績，但是只顯示成績而沒有績點，也就是加權(quán)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(zhàn)前夜

先來準(zhǔn)備一下工具：HttpFox插件。

這是一款http協(xié)議分析插件，分析頁面請求和響應(yīng)的時間、內(nèi)容、以及瀏覽器用到的COOKIE等。

以我為例，安裝在火狐上即可，效果如圖：

可以非常直觀的查看相應(yīng)的信息。

點擊start是開始檢測，點擊stop暫停檢測，點擊clear清除內(nèi)容。

一般在使用之前，點擊stop暫停，然后點擊clear清屏，確?？吹降氖窃L問當(dāng)前頁面獲得的數(shù)據(jù)。

2.深入敵后

下面就去山東大學(xué)的成績查詢網(wǎng)站，看一看在登錄的時候，到底發(fā)送了那些信息。

先來到登錄頁面，把httpfox打開，clear之后，點擊start開啟檢測：

輸入完了個人信息，確保httpfox處于開啟狀態(tài)，然后點擊確定提交信息，實現(xiàn)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后反饋的數(shù)據(jù)，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(shù)據(jù)，兩個是GET的一個是POST的，但是它們到底是什么，應(yīng)該怎么用，我們還一無所知。

所以，我們需要挨個查看一下捕獲到的內(nèi)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(shù)據(jù)，stuid和pwd。

并且從Type的Redirect to可以看出，POST完畢之后跳轉(zhuǎn)到了bks_login2.loginmessage頁面。

由此看出，這個數(shù)據(jù)是點擊確定之后提交的表單數(shù)據(jù)。

點擊cookie標(biāo)簽，看看cookie信息：

沒錯，收到了一個ACCOUNT的cookie，并且在session結(jié)束之后自動銷毀。

那么提交之后收到了哪些信息呢？

我們來看看后面的兩個GET數(shù)據(jù)。

先看第一個，我們點擊content標(biāo)簽可以查看收到的內(nèi)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(guān)信息：

啊哈，原來html頁面的內(nèi)容是發(fā)送了cookie信息之后才接受到的。

再來看看最后一個接收到的信息：

大致看了一下應(yīng)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(yīng)戰(zhàn)

既然已經(jīng)知道了我們向服務(wù)器發(fā)送了什么數(shù)據(jù)，也知道了我們接收到了什么數(shù)據(jù)，基本的流程如下：

首先，我們POST學(xué)號和密碼--->然后返回cookie的值然后發(fā)送cookie給服務(wù)器--->返回頁面信息。獲取到成績頁面的數(shù)據(jù)，用正則表達式將成績和學(xué)分單獨取出并計算加權(quán)平均數(shù)。

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(shù)據(jù)到底發(fā)送到了哪里？

再來看一下當(dāng)初的頁面：

很明顯是用一個html框架來實現(xiàn)的，也就是說，我們在地址欄看到的地址并不是右邊提交表單的地址。

那么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(wǎng)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(yīng)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(xué)的選課系統(tǒng)。。。目測是我校懶得做頁面了就直接借了。。結(jié)果連標(biāo)題都不改一下。。。

但是這個頁面依舊不是我們需要的頁面，因為我們的POST數(shù)據(jù)提交到的頁面，應(yīng)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(shù)據(jù)到底發(fā)送到了哪里：

嗯，目測這個才是提交POST數(shù)據(jù)的地址。

整理到地址欄中，完整的地址應(yīng)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(wù)就是：用python模擬發(fā)送一個POST的數(shù)據(jù)并取到返回的cookie值。

關(guān)于cookie的操作可以看看這篇博文：

http://m.fzitv.net/article/57144.htm

我們先準(zhǔn)備一個POST的數(shù)據(jù)，再準(zhǔn)備一個cookie的接收，然后寫出源碼如下：

# -*- coding: utf-8 -*-
#---------------------------------------
#   程序：山東大學(xué)爬蟲
#   版本：0.1
#   作者：why
#   日期：2013-07-12
#   語言：Python 2.7
#   操作：輸入學(xué)號和密碼
#   功能：輸出成績的加權(quán)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(shù)據(jù)#
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(nèi)容#
print result.read()

如此這般之后，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(wù)就是用爬蟲獲取到學(xué)生的成績。

再來看看源網(wǎng)站。

開啟HTTPFOX之后，點擊查看成績，發(fā)現(xiàn)捕獲到了如下的數(shù)據(jù)：

點擊第一個GET的數(shù)據(jù)，查看內(nèi)容可以發(fā)現(xiàn)Content就是獲取到的成績的內(nèi)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后跳轉(zhuǎn)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(xiàn)在萬事俱備啦，所以只需要把鏈接應(yīng)用到爬蟲里面，看看能否查看到成績的頁面。

從httpfox可以看到，我們發(fā)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(fā)送，以此來請求成績的信息：

# -*- coding: utf-8 -*-
#---------------------------------------
#   程序：山東大學(xué)爬蟲
#   版本：0.1
#   作者：why
#   日期：2013-07-12
#   語言：Python 2.7
#   操作：輸入學(xué)號和密碼
#   功能：輸出成績的加權(quán)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(chuàng)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(shù)據(jù)#
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(nèi)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(nèi)容#
print result.read()

按下F5運行即可，看看捕獲到的數(shù)據(jù)吧：

既然這樣就沒有什么問題了吧，用正則表達式將數(shù)據(jù)稍稍處理一下，取出學(xué)分和相應(yīng)的分?jǐn)?shù)就可以了。

8.手到擒來

這么一大堆html源碼顯然是不利于我們處理的，下面要用正則表達式來摳出必須的數(shù)據(jù)。

關(guān)于正則表達式的教程可以看看這個博文：

http://m.fzitv.net/article/57150.htm

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，然后用正則來取出數(shù)據(jù)：

# -*- coding: utf-8 -*-
#---------------------------------------
#   程序：山東大學(xué)爬蟲
#   版本：0.1
#   作者：why
#   日期：2013-07-12
#   語言：Python 2.7
#   操作：輸入學(xué)號和密碼
#   功能：輸出成績的加權(quán)平均值也就是績點
#---------------------------------------
import urllib  
import urllib2
import cookielib
import re
class SDU_Spider:  
    # 申明相關(guān)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(shù)據(jù)
        self.weights = []   #存儲權(quán)重，也就是學(xué)分
        self.points = []    #存儲分?jǐn)?shù)，也就是成績
        self.opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(self.cookieJar))
    def sdu_init(self):
        # 初始化鏈接并且獲取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(shù)據(jù)
        # 打印返回的內(nèi)容
        # print result.read()
        self.deal_data(result.read().decode('gbk'))
        self.print_data(self.weights);
        self.print_data(self.points);
    # 將內(nèi)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(xué)分
        for item in myItems:
            self.weights.append(item[0].encode('gbk'))
            self.points.append(item[1].encode('gbk'))
            
    # 將內(nèi)容從頁面代碼中摳出來
    def print_data(self,items):  
        for item in items:  
            print item
#調(diào)用  
mySpider = SDU_Spider()  
mySpider.sdu_init()

水平有限，，正則是有點丑，。運行的效果如圖：

ok，接下來的只是數(shù)據(jù)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(xué)爬蟲
#   版本：0.1
#   作者：why
#   日期：2013-07-12
#   語言：Python 2.7
#   操作：輸入學(xué)號和密碼
#   功能：輸出成績的加權(quán)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(guān)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(shù)據(jù)
        self.weights = []   #存儲權(quán)重，也就是學(xué)分
        self.points = []    #存儲分?jǐn)?shù)，也就是成績
        self.opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(self.cookieJar))
    def sdu_init(self):
        # 初始化鏈接并且獲取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(shù)據(jù)
        # 打印返回的內(nèi)容
        # print result.read()
        self.deal_data(result.read().decode('gbk'))
        self.calculate_date();
    # 將內(nèi)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(xué)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(yōu)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(diào)用  
mySpider = SDU_Spider()  
mySpider.sdu_init()