查成绩,算分数,每年的综合测评都是个固定的过程,作为软件开发者,这些过程当然可以交给代码去做,通过脚本进行网络请求获取数据,然后直接进行计算得到基础分直接填表就好了,查成绩再手动计算既容易出错也繁琐,所以本篇的内容就是开发一个爬虫脚本取抓取成绩表,至于综合测评计算,这个没什么意义这里就不说了,分数都有了就都够了。
我们的目的就是通过编写脚本,模仿浏览器进行请求获取源码,再进行解析本地化(或者直接计算)
要抓取到数据,其实方案不止一种,这里会介绍两种不同的方案,达到同样的目的:
- 模仿浏览器进行请求(速度快)
- 操作浏览器进行请求(速度慢)
先说第一种,这种方案是普遍的爬虫技术,因为爬取的内容不多,对速度要求也不够,所以就是很简单的一个爬虫过程:
- 分析请求
- 模仿请求
对于普通的校园网,一般不做流量限制,所以就算请求频繁,也基本不用担心IP被封禁,所以编写爬虫代码可以不用太过担心。先说我所在学校的校园网,是杭州方正软件公司开发的。
① 分析请求
分析请求很简单,就是使用浏览器进行请求,然后分析每个请求所发送和接收的信息,这里最简单应该是使用chrome的开发者模式(F12打开)
输入用户名和密码,勾选已认真阅读,接着点击登陆,这样右边的网络窗口中会检查到所有的网络请求,我们只需要找到对应登陆的一个(这里会带有表单):
这个时候,我们可以通过一些测试工具,尝试进行请求对应的这个地址,并且把表单提交上去试试登陆能否成功,如果成功的话,脚本也就可以模拟这个请求,这里用的是chrome商店的一个工具Postman,用法很简单:
登陆成功之后,我们再进行查询成绩:
这里可以看到这次得到了两个新的请求(上图红框的前两个)
仔细观察会发现,第一个请求头中的Referer指向的是第二个请求的地址,所以可以知道,第二个请求是先于第一个请求发送的。其次,我们发现这个请求中也有表单。
再看第二个请求:
它的Referer指向第三个请求,而这个第三个请求实际上登陆成功之后,就已经存在了,它就是请求到主界面的,而这个请求的类型是Get,所以也表明,第三个请求没有传递任何信息给这个请求。
整理可以知道,流程是这样的:
登陆成功后跳转:http://202.192.72.4/xs_main.aspx?xh=2013034743130
点击查询成绩按钮请求:http://202.192.72.4/xscj_gc.aspx?xh=2013034743130&xm=%B3%C2%D6%BE%B7%AB&gnmkdm=N121605 (Get)
点击查询在校成绩请求:http://202.192.72.4/xscj_gc.aspx?xh=2013034743130&xm=%u9648%u5fd7%u5e06&gnmkdm=N121605 (Post)
所以,我们先来模拟第二个,这个请求是Get类型,所以直接请求即可,但是会发现请求会失败,原因是服务器不能知道我们已经进行登陆了:
所以最先想到的办法是带上第一个请求得到的Cookie,但是也是不行,这个时候要用到上面说的Referer标识,这个标识会告诉服务器请求来源,因为登陆成功会在服务器进行登记,这个标记会让服务器知道请求来源于登陆成功的账号:
此时请求返回正常,我们在源码中可以发现有两个隐藏的<input>标签:
这两个标签传递的,其实是第三个请求的参数,这个时候,模拟第三个请求,并且添加对应的Referer(第二个请求的URL),会发现请求也成功了:
这个请求中的url中的一个参数xm被我更改为1了,原本使用的是一种unicode加密编码,把用户名编码过去了,但是实际上这个参数并没有实际意义,%u的格式会破坏Python程序,所以这里直接改成1了。
② 模仿请求
请求分析完毕,就可以开始写代码了:
用到的包:
1 import requests, xlwt, os
2 from bs4 import BeautifulSoup
登录:
1 def login(s, number, password):
2 print '正在登录账号:'+number
3 url = 'http://202.192.72.4/default_gdsf.aspx'
4 data = {'__EVENTTARGET': 'btnDL',
5 'TextBox1': number,
6 'TextBox2': password,
7 '__VIEWSTATE': '/wEPDwULLTExNzc4NDAyMTBkGAEFHl9fQ29udHJvbHNSZXF1aXJlUG9zdEJhY2tLZXlfXxYBBQVjaGtZRIgvS19wi/UKxQv2qDEuCtWOjJdl',
8 'chkYD': 'on',
9 '__EVENTVALIDATION': '/wEWCgKFvrvOBQLs0bLrBgLs0fbZDAK/wuqQDgKAqenNDQLN7c0VAuaMg+INAveMotMNAuSStccFAvrX56AClqUwdU9ySl1Lo85TvdUwz0GrJgI='}
10 s.post(url, data)
11 return s.cookies
登录操作没有给后面的请求传递任何参数,这里的Cookies不是必须的,但是登录是必须的,这样告诉服务器我们后面的请求才是合法的。
点击查询成绩按钮:
1 def get_data_for_grade(s, number, password):
2 url = 'http://202.192.72.4/xscj_gc.aspx?xh=' + number + '&xm=%B3%C2%D6%BE%B7%AB&gnmkdm=N121605'
3 referer = 'http://202.192.72.4/xs_main.aspx?xh=' + number
4 cookies = login(s, number, password)
5 response = s.get(url=url, headers={'Referer': referer}, allow_redirects=False, cookies=cookies)
6 source = response.text
7 soup = BeautifulSoup(source, 'html.parser')
8 view_state = soup.find('input', attrs={'id': '__VIEWSTATE'})['value']
9 event_validation = soup.find('input', attrs={'id': '__EVENTVALIDATION'})['value']
10 states = {'view_state': view_state, 'event_validation': event_validation, 'cookies': cookies, 'origin': url}
11 return states
第五行队请求设置Referer,接着通过BeautifulSoup解析源码得到两个隐藏的<input>标签里面value值,第三个请求要用到。
查询所有成绩请求:
1 def check_info(s, number, password):
2 url = 'http://202.192.72.4/xscj_gc.aspx?xh=' + number + '&xm=1&gnmkdm=N121605'
3 states = get_data_for_grade(s, number, password)
4 print '登录成功,正在拉取成绩'
5 data = {
6 '__VIEWSTATE': states['view_state'],
7 'ddlXN': '',
8 'ddlXQ': '',
9 'Button2': '',
10 '__EVENTVALIDATION': states['event_validation']
11 }
12 response = s.post(url, data=data, cookies=states['cookies'], headers={'Referer': states['origin']},
13 allow_redirects=False)
14 return response.text
得到成绩单源码之后,就可以进行解析了,这里解析存放到xls表格中:
1 def writeToFile(source):
2 print '正在写入文档'
3 wb = xlwt.Workbook(encoding='utf-8', style_compression=0)
4 soup = BeautifulSoup(source, "html.parser")
5 span = soup.find('span', attrs={'id': 'Label5'})
6 sheet = wb.add_sheet('成绩单', cell_overwrite_ok=True)
7 table = soup.find(attrs={'id': 'Datagrid1'})
8 lines = table.find_all('tr')
9 for i in range(len(lines)):
10 tds = lines[i].find_all('td')
11 for j in range(len(tds)):
12 sheet.write(i, j, tds[j].text)
13 try:
14 os.remove(span.text + '.xls')
15 except:
16 pass
17 wb.save(span.text + '.xls')
最后遍历学号进行爬取,这里只爬取默认账号密码的成绩:
1 for i in range(1, 55):
2 num = '2013034743001'
3 s = requests.session()
4 try:
5 if i <= 9:
6 writeToFile(check_info(s, num[:12] + str(i), num[:12] + str(i)))
7 else:
8 writeToFile(check_info(s, num[:11] + str(i), num[:11] + str(i)))
9 except:
10 pass
11 s.close()
第二种方案,是通过模拟浏览器来进行登录,点击按钮等操作获取成绩,这里用到的是自动化测试框架Selenium。
这种方案的优点是我们不需要像第一种那样要去分析请求,只需要告诉浏览器要怎么做就行了,但是缺点是速度慢。
1 # -*- coding: utf-8 -*-
2 from selenium import webdriver
3 from selenium.webdriver.common.by import By
4 from selenium.webdriver.support.wait import WebDriverWait
5 from selenium.webdriver.common.action_chains import ActionChains
6 from selenium.webdriver.support import expected_conditions as EC
7 from selenium.common.exceptions import NoSuchElementException
8 from selenium.common.exceptions import NoAlertPresentException
9 from bs4 import BeautifulSoup
10 import xlwt
11 import os
12
13
14 class Script():
15 def setUp(self):
16 self.driver = webdriver.Chrome()
17 self.driver.implicitly_wait(10)
18 # self.driver.maximize_window()
19 self.base_url = "http://202.192.72.4/"
20 self.verificationErrors = []
21 self.accept_next_alert = True
22
23 def test_jb(self, num):
24 driver = self.driver
25 driver.get(self.base_url + "/default_gdsf.aspx")
26 driver.find_element_by_id("TextBox1").clear()
27 driver.find_element_by_id("TextBox1").send_keys(num)
28 driver.find_element_by_id("TextBox2").clear()
29 driver.find_element_by_id("TextBox2").send_keys(num)
30 driver.find_element_by_id("chkYD").click()
31 driver.find_element_by_id("btnDL").click()
32 WebDriverWait(driver, 5).until(EC.alert_is_present()).accept()
33 self.open_and_click_menu(driver)
34 retry = 0
35 while retry <= 2:
36 try:
37 driver.switch_to.frame(driver.find_element_by_id('iframeautoheight'))
38 WebDriverWait(driver, 5).until(EC.visibility_of_element_located((By.XPATH, "//input[@id='Button2']")))
39 break
40 except:
41 print '重新点击按钮'
42 driver.switch_to.parent_frame()
43 self.open_and_click_menu(driver)
44 retry += 1
45 else:
46 print '重试失败'
47
48 source = driver.page_source
49 driver.find_element_by_xpath("//input[@id='Button2']").click()
50
51 def source_change(driver):
52 if source == driver.page_source:
53 return False
54 else:
55 return driver.page_source
56
57 self.writeToFile(WebDriverWait(driver, 10).until(source_change))
58 driver.quit()
59
60 def open_and_click_menu(self, driver):
61 menu1 = WebDriverWait(driver, 5).until(EC.visibility_of_element_located((By.XPATH, "//ul[@class='nav']/li[5]")))
62 menu2 = driver.find_element_by_xpath("//ul[@class='nav']/li[5]/ul/li[3]")
63 ActionChains(driver).move_to_element(menu1).move_to_element(menu2).click(menu2).perform()
64
65 def is_element_present(self, how, what):
66 try:
67 self.driver.find_element(by=how, value=what)
68 except NoSuchElementException as e:
69 return False
70 return True
71
72 def is_alert_present(self):
73 try:
74 self.driver.switch_to_alert()
75 except NoAlertPresentException as e:
76 return False
77 return True
78
79 def close_alert_and_get_its_text(self):
80 try:
81 alert = self.driver.switch_to_alert()
82 alert_text = alert.text
83 if self.accept_next_alert:
84 alert.accept()
85 else:
86 alert.dismiss()
87 return alert_text
88 finally:
89 self.accept_next_alert = True
90
91 def tearDown(self):
92 self.driver.quit()
93 self.assertEqual([], self.verificationErrors)
94
95 @staticmethod
96 def writeToFile(source):
97 wb = xlwt.Workbook(encoding='utf-8', style_compression=0)
98 soup = BeautifulSoup(source, "html.parser")
99 span = soup.find('span', attrs={'id': 'Label5'})
100 sheet = wb.add_sheet('成绩单', cell_overwrite_ok=True)
101 table = soup.find(attrs={'id': 'Datagrid1'})
102 lines = table.find_all('tr')
103 for i in range(len(lines)):
104 tds = lines[i].find_all('td')
105 for j in range(len(tds)):
106 sheet.write(i, j, tds[j].text)
107 try:
108 os.remove(span.text + '.xls')
109 except:
110 pass
111 wb.save(span.text + '.xls')
112
113
114 if __name__ == "__main__":
115 # unittest.main()
116 s = Script()
117
118 for i in range(1, 50):
119 num = '2013034743101'
120 s.setUp()
121 try:
122 if i <= 9:
123 s.test_jb(num[:12] + str(i))
124 else:
125 s.test_jb(num[:11] + str(i))
126 except:
127 pass
这种方法的意义只是熟悉一下自动化测试框架,因为速度实在太慢了,也就不详细介绍了,这里粗略说一下,其实原理就是通过查到网页中对应的控件,进行点击或者悬浮于上面等等的操作,一步一步的到达最后的成绩单,要做的是控制整个流程,明确在什么时候应该停一下等控件出现,什么时候要去点击。
而且到目前为止,这个框架还是有一些Bug的,比如火狐浏览器的驱动无法实现在一个按钮上Hover的操作等等。