[Python]网络爬虫（十）：一个爬虫的诞生全过程（以山东大学绩点运算为例）

先来说一下我们学校的网站：
http://jwxt.sdu.edu.cn:7777/zhxt_bks/zhxt_bks.html
查询成绩需要登录，然后显示各学科成绩，但是只显示成绩而没有绩点，也就是加权平均分。

显然这样手动计算绩点是一件非常麻烦的事情。所以我们可以用python做一个爬虫来解决这个问题。




1.决战前夜
先来准备一下工具：HttpFox插件。
这是一款http协议分析插件，分析页面请求和响应的时间、内容、以及浏览器用到的COOKIE等。

以我为例，安装在火狐上即可，效果如图：
可以非常直观的查看相应的信息。
点击start是开始检测，点击stop暂停检测，点击clear清除内容。
一般在使用之前，点击stop暂停，然后点击clear清屏，确保看到的是访问当前页面获得的数据。





2.深入敌后

下面就去山东大学的成绩查询网站，看一看在登录的时候，到底发送了那些信息。
先来到登录页面，把httpfox打开，clear之后，点击start开启检测：



输入完了个人信息，确保httpfox处于开启状态，然后点击确定提交信息，实现登录。
这个时候可以看到，httpfox检测到了三条信息：

这时点击stop键，确保捕获到的是访问该页面之后反馈的数据，以便我们做爬虫的时候模拟登陆使用。




3.庖丁解牛
乍一看我们拿到了三个数据，两个是GET的一个是POST的，但是它们到底是什么，应该怎么用，我们还一无所知。
所以，我们需要挨个查看一下捕获到的内容。
先看POST的信息：


既然是POST的信息，我们就直接看PostData即可。
可以看到一共POST两个数据，stuid和pwd。
并且从Type的Redirect to可以看出，POST完毕之后跳转到了bks_login2.loginmessage页面。

由此看出，这个数据是点击确定之后提交的表单数据。
点击cookie标签，看看cookie信息：


没错，收到了一个ACCOUNT的cookie，并且在session结束之后自动销毁。
那么提交之后收到了哪些信息呢？
我们来看看后面的两个GET数据。
先看第一个，我们点击content标签可以查看收到的内容，是不是有一种生吞活剥的快感-。-HTML源码暴露无疑了：


看来这个只是显示页面的html源码而已，点击cookie，查看cookie的相关信息：




啊哈，原来html页面的内容是发送了cookie信息之后才接受到的。
再来看看最后一个接收到的信息：

大致看了一下应该只是一个叫做style.css的css文件，对我们没有太大的作用。






4.冷静应战

既然已经知道了我们向服务器发送了什么数据，也知道了我们接收到了什么数据，基本的流程如下：

• 首先，我们POST学号和密码--->然后返回cookie的值

• 然后发送cookie给服务器--->返回页面信息。
• 获取到成绩页面的数据，用正则表达式将成绩和学分单独取出并计算加权平均数。
  

OK，看上去好像很简单的样纸。那下面我们就来试试看吧。
但是在实验之前，还有一个问题没有解决，就是POST的数据到底发送到了哪里？
再来看一下当初的页面：

很明显是用一个html框架来实现的，也就是说，我们在地址栏看到的地址并不是右边提交表单的地址。
那么怎样才能获得真正的地址-。-右击查看页面源代码：
嗯没错，那个name="w_right"的就是我们要的登录页面。
网站的原来的地址是：
http://jwxt.sdu.edu.cn:7777/zhxt_bks/zhxt_bks.html
所以，真正的表单提交的地址应该是：
http://jwxt.sdu.edu.cn:7777/zhxt_bks/xk_login.html
输入一看，果不其然：


靠居然是清华大学的选课系统。。。目测是我校懒得做页面了就直接借了。。结果连标题都不改一下。。。
但是这个页面依旧不是我们需要的页面，因为我们的POST数据提交到的页面，应该是表单form的ACTION中提交到的页面。
也就是说，我们需要查看源码，来知道POST数据到底发送到了哪里：




嗯，目测这个才是提交POST数据的地址。
整理到地址栏中，完整的地址应该如下：
http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bks_login2.login

（获取的方式很简单，在火狐浏览器中直接点击那个链接就能看到这个链接的地址了）



5.小试牛刀

接下来的任务就是：用python模拟发送一个POST的数据并取到返回的cookie值。

关于cookie的操作可以看看这篇博文：
http://blog.csdn.net/wxg694175346/article/details/8925978

我们先准备一个POST的数据，再准备一个cookie的接收，然后写出源码如下：

[python] view plain copy

1. # -*- coding: utf-8 -*-  
2. #---------------------------------------  
3. #   程序：山东大学爬虫  
4. #   版本：0.1  
5. #   作者：why  
6. #   日期：2013-07-12  
7. #   语言：Python 2.7  
8. #   操作：输入学号和密码  
9. #   功能：输出成绩的加权平均值也就是绩点  
10. #---------------------------------------  
11.   
12. import urllib    
13. import urllib2  
14. import cookielib  
15.   
16. cookie = cookielib.CookieJar()    
17. opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))  
18.   
19. #需要POST的数据#  
20. postdata=urllib.urlencode({    
21.     'stuid':'201100300428',    
22.     'pwd':'921030'    
23. })  
24.   
25. #自定义一个请求#  
26. req = urllib2.Request(    
27.     url = 'http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bks_login2.login',    
28.     data = postdata  
29. )  
30.   
31. #访问该链接#  
32. result = opener.open(req)  
33.   
34. #打印返回的内容#  
35. print result.read()     

如此这般之后，再看看运行的效果：



ok，如此这般，我们就算模拟登陆成功了。


6.偷天换日

接下来的任务就是用爬虫获取到学生的成绩。
再来看看源网站。
开启HTTPFOX之后，点击查看成绩，发现捕获到了如下的数据：


点击第一个GET的数据，查看内容可以发现Content就是获取到的成绩的内容。


而获取到的页面链接，从页面源代码中右击查看元素，可以看到点击链接之后跳转的页面（火狐浏览器只需要右击，“查看此框架”，即可）：


从而可以得到查看成绩的链接如下：

http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bkscjcx.curscopre



7.万事俱备
现在万事俱备啦，所以只需要把链接应用到爬虫里面，看看能否查看到成绩的页面。
从httpfox可以看到，我们发送了一个cookie才能返回成绩的信息，所以我们就用python模拟一个cookie的发送，以此来请求成绩的信息：

[python] view plain copy

1. # -*- coding: utf-8 -*-  
2. #---------------------------------------  
3. #   程序：山东大学爬虫  
4. #   版本：0.1  
5. #   作者：why  
6. #   日期：2013-07-12  
7. #   语言：Python 2.7  
8. #   操作：输入学号和密码  
9. #   功能：输出成绩的加权平均值也就是绩点  
10. #---------------------------------------  
11.   
12. import urllib    
13. import urllib2  
14. import cookielib  
15.   
16. #初始化一个CookieJar来处理Cookie的信息#  
17. cookie = cookielib.CookieJar()  
18.   
19. #创建一个新的opener来使用我们的CookieJar#  
20. opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))  
21.   
22. #需要POST的数据#  
23. postdata=urllib.urlencode({    
24.     'stuid':'201100300428',    
25.     'pwd':'921030'    
26. })  
27.   
28. #自定义一个请求#  
29. req = urllib2.Request(    
30.     url = 'http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bks_login2.login',    
31.     data = postdata  
32. )  
33.   
34. #访问该链接#  
35. result = opener.open(req)  
36.   
37. #打印返回的内容#  
38. print result.read()  
39.   
40. #打印cookie的值  
41. for item in cookie:    
42.     print 'Cookie：Name = '+item.name    
43.     print 'Cookie：Value = '+item.value  
44.   
45.       
46. #访问该链接#  
47. result = opener.open('http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bkscjcx.curscopre')  
48.   
49. #打印返回的内容#  
50. print result.read()  

按下F5运行即可，看看捕获到的数据吧：



既然这样就没有什么问题了吧，用正则表达式将数据稍稍处理一下，取出学分和相应的分数就可以了。




8.手到擒来

这么一大堆html源码显然是不利于我们处理的，下面要用正则表达式来抠出必须的数据。
关于正则表达式的教程可以看看这个博文：
http://blog.csdn.net/wxg694175346/article/details/8929576

我们来看看成绩的源码：




既然如此，用正则表达式就易如反掌了。


我们将代码稍稍整理一下，然后用正则来取出数据：

[python] view plain copy

1. # -*- coding: utf-8 -*-  
2. #---------------------------------------  
3. #   程序：山东大学爬虫  
4. #   版本：0.1  
5. #   作者：why  
6. #   日期：2013-07-12  
7. #   语言：Python 2.7  
8. #   操作：输入学号和密码  
9. #   功能：输出成绩的加权平均值也就是绩点  
10. #---------------------------------------  
11.   
12. import urllib    
13. import urllib2  
14. import cookielib  
15. import re  
16.   
17. class SDU_Spider:    
18.     # 申明相关的属性    
19.     def __init__(self):      
20.         self.loginUrl = 'http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bks_login2.login'   # 登录的url  
21.         self.resultUrl = 'http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bkscjcx.curscopre' # 显示成绩的url  
22.         self.cookieJar = cookielib.CookieJar()                                      # 初始化一个CookieJar来处理Cookie的信息  
23.         self.postdata=urllib.urlencode({'stuid':'201100300428','pwd':'921030'})     # POST的数据  
24.         self.weights = []   #存储权重，也就是学分  
25.         self.points = []    #存储分数，也就是成绩  
26.         self.opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(self.cookieJar))  
27.   
28.     def sdu_init(self):  
29.         # 初始化链接并且获取cookie  
30.         myRequest = urllib2.Request(url = self.loginUrl,data = self.postdata)   # 自定义一个请求  
31.         result = self.opener.open(myRequest)            # 访问登录页面，获取到必须的cookie的值  
32.         result = self.opener.open(self.resultUrl)       # 访问成绩页面，获得成绩的数据  
33.         # 打印返回的内容  
34.         # print result.read()  
35.         self.deal_data(result.read().decode('gbk'))  
36.         self.print_data(self.weights);  
37.         self.print_data(self.points);  
38.   
39.     # 将内容从页面代码中抠出来    
40.     def deal_data(self,myPage):    
41.         myItems = re.findall('<TR>.*?<p.*?<p.*?<p.*?<p.*?<p.*?>(.*?)</p>.*?<p.*?<p.*?>(.*?)</p>.*?</TR>',myPage,re.S)     #获取到学分  
42.         for item in myItems:  
43.             self.weights.append(item[0].encode('gbk'))  
44.             self.points.append(item[1].encode('gbk'))  
45.   
46.               
47.     # 将内容从页面代码中抠出来  
48.     def print_data(self,items):    
49.         for item in items:    
50.             print item  
51.               
52. #调用    
53. mySpider = SDU_Spider()    
54. mySpider.sdu_init()    

水平有限，，正则是有点丑，。运行的效果如图：


ok，接下来的只是数据的处理问题了。。






9.凯旋而归

完整的代码如下，至此一个完整的爬虫项目便完工了。

[python] view plain copy

1. # -*- coding: utf-8 -*-  
2. #---------------------------------------  
3. #   程序：山东大学爬虫  
4. #   版本：0.1  
5. #   作者：why  
6. #   日期：2013-07-12  
7. #   语言：Python 2.7  
8. #   操作：输入学号和密码  
9. #   功能：输出成绩的加权平均值也就是绩点  
10. #---------------------------------------  
11.   
12. import urllib    
13. import urllib2  
14. import cookielib  
15. import re  
16. import string  
17.   
18.   
19. class SDU_Spider:    
20.     # 申明相关的属性    
21.     def __init__(self):      
22.         self.loginUrl = 'http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bks_login2.login'   # 登录的url  
23.         self.resultUrl = 'http://jwxt.sdu.edu.cn:7777/pls/wwwbks/bkscjcx.curscopre' # 显示成绩的url  
24.         self.cookieJar = cookielib.CookieJar()                                      # 初始化一个CookieJar来处理Cookie的信息  
25.         self.postdata=urllib.urlencode({'stuid':'201100300428','pwd':'921030'})     # POST的数据  
26.         self.weights = []   #存储权重，也就是学分  
27.         self.points = []    #存储分数，也就是成绩  
28.         self.opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(self.cookieJar))  
29.   
30.     def sdu_init(self):  
31.         # 初始化链接并且获取cookie  
32.         myRequest = urllib2.Request(url = self.loginUrl,data = self.postdata)   # 自定义一个请求  
33.         result = self.opener.open(myRequest)            # 访问登录页面，获取到必须的cookie的值  
34.         result = self.opener.open(self.resultUrl)       # 访问成绩页面，获得成绩的数据  
35.         # 打印返回的内容  
36.         # print result.read()  
37.         self.deal_data(result.read().decode('gbk'))  
38.         self.calculate_date();  
39.   
40.     # 将内容从页面代码中抠出来    
41.     def deal_data(self,myPage):    
42.         myItems = re.findall('<TR>.*?<p.*?<p.*?<p.*?<p.*?<p.*?>(.*?)</p>.*?<p.*?<p.*?>(.*?)</p>.*?</TR>',myPage,re.S)     #获取到学分  
43.         for item in myItems:  
44.             self.weights.append(item[0].encode('gbk'))  
45.             self.points.append(item[1].encode('gbk'))  
46.   
47.     #计算绩点，如果成绩还没出来，或者成绩是优秀良好，就不运算该成绩  
48.     def calculate_date(self):  
49.         point = 0.0  
50.         weight = 0.0  
51.         for i in range(len(self.points)):  
52.             if(self.points[i].isdigit()):  
53.                 point += string.atof(self.points[i])*string.atof(self.weights[i])  
54.                 weight += string.atof(self.weights[i])  
55.         print point/weight  
56.   
57.               
58. #调用    
59. mySpider = SDU_Spider()    
60. mySpider.sdu_init()