11.25 利用Python如何爬取自己学校的官网？用这招就行

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：

1. 分析请求
2. 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。

閱讀更多 有趣的程序媛 的文章

關鍵字: 网络爬虫 脚本 Chrome