爬取学校教务处网站，提取并保存信息

最近开始用记录学习过程的点滴。等以后自己学会建博客再移到博客上去吧~

工具：
python3.6.3
requests
BeautifulSoup
xlwt

爬取学校教务处
学了python基础语法，requests和beautsoup，没有练手过，遂到教务处一展拳脚。我学校的教务处登录比较简单，没有验证码，然而我还是不会用post。。。。。

1：构造请求
这里需要伪造一下浏览器：
这里尽显我爬虫渣本色，直接在谷歌浏览器里开发者工具中复制的header

header = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36"}

此外，登录需要密码账号，我试图用requests的post方法，构建账号密码信息，然而一知半解，在此记录过程，希望有高手解答：

a.打开登录页面-F12-Network抓包，如图：

image.png

b. 抓包
抓包还看了不少博客，学的三脚猫的功夫：先故意输错密码试试看

image.png

可以看到network中抓取到数据流，点开Form Data, userName和pwd应该就是账号和密码，但是pwd后面这串是什么鬼啊？？？加密？？？还有这个sign后面那串数字，我也看不懂，所以post方法暂时行不通，可以留着以后慢慢研究，或者有大神解释解释那是极好的。

穷则思变，变则通达，post不行，我就不学了吗？那肯定不会。在网上看到了另外一招，对新手及其友好的，利用cookies进行登录。

a. 输入账号密码，登录教务处页面，还是打开网络监听F12-Network，点击第一个选项，它是此页中第一个数据流（或者其他叫法，我极其不专业。。。），在右侧找到cookies，如下图

image.png

关于cookies的原理我也不懂，看文章说是用户与服务器之间的一种凭证，应该就是短时间生成的一种凭证，只要这个凭证有效，那么用户就可以不用登陆就可以访问服务器上面的数据。看它这么乱，应该是用方法加密了，暂且就这么理解吧。

b. 复制这段cookies，我们就可以制作cookies了。使用如下代码：

cookies = {}
raw_cookies = "ASP.NET_SessionId=2gq0mryer************; UserTokeID=f716cffe-************-a84d-**********c"
for line in raw_cookies.split(';'): #用';'对字符串分割
        key, value = line.split('=', 1)
        cookies[key] = value

这个方法我是网上学到的，不过它的作用其实就是将原生的cookies构造成以键值对形式的字典，所以你也可以直接这样：

cookies = {'ASP.NET_SessionId': '2gq0mryer************', 'UserTokeID': 'f716cffe-************-a84d-**********c'}

这样手动将复制下来的raw_cookies构造成cookies。

接下来是获取URL，我们打开成绩页面，同样也是用F12去捕捉成绩页面的URL：

或者其实可以直接从网址那里复制？？？不是很懂，因为有网友说其实获取真实URL会有点麻烦。。。这里也要回头复习，什么是真实URL？怎么获取？嗯，记一下。

到这里我们已经把所有请求页面要包含的信息都准备好，可以开始写请求代码了。我用的是requests库，感觉要比urllib2方便。

import requests
from bs4 import BeautifulSoup

header = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36"}
cookies = {}
raw_cookies = "ASP.NET_SessionId=2gq0mryer************; UserTokeID=f716cffe-************-a84d-**********c"
for line in raw_cookies.split(';'): #用';'对字符串分割
        key, value = line.split('=', 1)
        cookies[key] = value
url = "http://202.115.133.***:805/********/Score/ScoreList.aspx"

r = requests.get(url, headers = header, cookies = cookies)

这样我们就完成了请求，接下来解析页面。

2：解析页面
打开成绩页面，F12下看Element选项，或者网页源代码，我们可以看出成绩页面的结构：如下图：

image.png

右键审查元素，定位到元素标签。哇，这么多

...

标签，应该就是每门课的成绩信息了。我们点开具体看一下：

image.png

果然，没毛病老铁。

接下来就好办了，思路是：用靓汤找到所有的

...

标签，然后循对每一个

...

里面的信息提取。嗯，上代码：

soup = BeautifulSoup(r.text, "html.parser")
items = soup.findAll('li', attrs = {'class': 'item'}
for item in items:
        print(item.text)

我们先来试试看输入结果：

image.png

你妹！！！什么鬼？！！！这一大堆的空格我可不能输进Excel啊！！！
试试用split()切开：

soup = BeautifulSoup(r.text, "html.parser")
items = soup.findAll('li', attrs = {'class': 'item'}
for item in items:
        print(item.text.split())

out:

image.png

嗯~~~很好，列表形式的数据就好操作多了。为了能更加愉快地玩耍，我们可以把这些列表全放到一个新的列表里：

data_list = []
for item in items:
        data_list.append(item.text.split())

看看输出：

print(data_list)

image.png

很好，接下来就只要把数据写进Excel里面就成啦

3：保存数据
写入Excel操作我用到了xlwt,安装这个库也是有点小坑，具体解决方案网上有很多，不再赘述。上代码：

book = xlwt.Workbook()
sheet1 = book.add_sheet('sheet1', cell_overwrite_ok = True)
#列表的每一行写入一门课成绩，最开始的行为0行，写入表格头：
heads = ['学期', '课程编码', '课程名称', '教师', '学分', '成绩', '成绩类型', '绩点', '入库人', '入库时间']
#这里write方法接受3个参数，分别为行、列、值。表格头部信息在第0行
i = 0
for head in heades:
        #依次将heades列表的每一个元素写入表格中
        sheet1.write(0, i, head)
        i += 1
#从第1行开始写入成绩信息
m = 1
#对大列表里每一个小列表进行遍历，小列表保存有一门课的成绩信息，这样就能把所有课程成绩信息循环到。
for list in data_list:
        n = 0
        #对小列表里每个元素进行遍历
        for info in list:
                #将每个元素写入表格
                sheet1.write(m, n, info)
                n += 1
        m += 1
book.save('grade.xls')

这样全部代码就完成啦！下面是完整代码，本水笔代码代码像屎一样，没有一丁点封装。。。。。后面有时间再慢慢优化

import requests
from bs4 import BeautifulSoup
import xlwt

header = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'}
raw_cookies = "ASP.NET_SessionId=2gq0mryer0o34wrmurek2dm3; UserTokeID=37efd17b-5a15-409f-93c5-8f9566d2b21d"

cookie = {}
for line in raw_cookies.split(';'):
    key, value = line.split("=", 1)
    cookie[key] = value
url = "http://202.115.133.173:805/SearchInfo/Score/ScoreList.aspx"
r = requests.get(url, headers=header, cookies = cookie)
r.encoding = 'utf8'

data_list = []
soup = BeautifulSoup(r.text, "html.parser")
items = soup.find_all('li', attrs={'class': 'item'})
for item in items:
    data_list.append(items.text.split())

book = xlwt.Workbook()
sheet1 = book.add_sheet('sheet1', cell_overwrite_ok = True)
heads = ['学期', '课程编码', '课程名称', '教师', '学分', '成绩', '成绩类型', '绩点', '入库人', '入库时间']
i = 0
for head in heads:
    sheet1.write(0, i, head)
    i += 1

m = 1
for list in data_list:
    n = 0
    for data in list:
        sheet1.write(m, n, data)
        n += 1
    m += 1
book.save("chenzhida.xls")
print("录入成功")

成果如下：

image.png

遗留问题：
有些课程的信息不全，比如没有教师的名字等等，这样录进Excel的时候信息会对不上表头。应该可以用某种替换方法，给空格占个位置，这样录进去的格式就能对的上表头。后面再处理吧~

以下是本次爬取过程中遇到的一些坑，还有困惑，写下来提醒自己以后要解决：

1. 使用cookies模拟登录自然会省事点，但是由于这个凭证只能短期有效，当需要爬取数据很多的时候，可能需要爬取十几天或者更久，这时cookies就不好用了，容易挂掉。这里需要学习post，学习分析账号密码提交，要是有加密怎么破解？遇到验证码怎么办？FROM DATA中每一项数据代表什么？遇到动态页面怎么破？（有大神教吗？）
2. 如何获取真实URL，真实URL是什么？
3. 表格数据有缺失怎么破
4. 保存数据到本地。要学习常用的mongoDB。
5. 学习其他的解析工具，Xpath
6. 学习scrapy。

另外，此次保存数据还花了老子大部分时间，记录一下犯蠢的过程：
一开始我的思路是，把所有的课程成绩信息提取出来，放到一个总的表格里，然而当我实际做的时候，我发现：

items = soup.findAll(r.text, "html.parser)
data_list = []
for item in items:
        data_list.append(item.text)
        print(data_list)

返回的是：

后来发现是输出的地方错了：应该是

items = soup.findAll(r.text, "html.parser)
data_list = []
for item in items:
        data_list.append(item.text)
print(data_list)

for循环没掌握好。。。。
但是这样输出的是：

image.png

还是不行呀，这些“ \xa0\r\n，\n\r\n ”是什么鬼？？？（其实可以用在末尾追加.spilt()方法，可以实现去掉空格和换行符）

然后我又想到了可不可以用正则表达式提取内容?把所有内容提取出来放到一个表格中，和原来不同的是，这里大表格里面是没有小表格的。我们可以取10个元素取10个元素这样去做小表格。
又开始折腾了：

infos = re.findall(r'(.*?)

', str(items)) print(infos)

结果：

image.png

emmmmmm......exo me????
后来仔细一看网页源代码：

image.png

哦，原来有空格，而 . 是除了空格以外的任意字符，一般都要加re.S

infos = re.findall(r'(.*?)

', str(items), re.S) print(infos)

结果：

image.png

what the 你妹！这不和原来一样了吗？不过确实是一个大表格，但是
\xa0\r\n \r\n 肿么破？机智的我想到用replace()试试看：

infos = re.findall(r'(.*?)