左手用R右手Python系列——模拟登陆教务系统

最近在练习R语言与Python的网络数据抓取内容,遇到了烦人的验证码问题,走了很多弯路,最终总算解决了。

在分享这篇文章之前,只想感慨一声,虽然Python拥有更为完善的爬虫生态和多如牛毛的爬虫分享课程,但是貌似这些大部分内容,使用R语言中的RCurl+httr都可以做到,但是可惜的利用R语言学习爬虫的爱好者与Pythoner相比,实在是太少了,R语言的高阶爬虫教程凤毛麟角,只能一点一点儿在stackflow上面搜罗整理。

希望我的这一篇案例能给大家带来一点儿可借鉴的思路。

R

library("RCurl")
library("XML")
library("dplyr")
library("ggplot2")
library("ggimage")

使用爬虫登录教务系统,最大的困难是验证码识别。通常来讲,你首次访问教务处的登录页,会激活验证码请求,输入验证码和账号密码,点击登录按钮则激活一个提交数据的POST请求。前后是在同一个进程中处理的,所以你不用担心前后cookie不一致的问题。

可是如果是使用爬虫来登录,你需要使用cookie管理功能,自动记忆登录时的cookie,让两个请求绑定在一个进程里,这样后续所有的请求都会自动复用第一次登录的cookie,你可以完成所有子网页的请求与遍历。

以下是教务处的登录和验证码请求地址:

login<-"http://202.199.165.193/loginAction.do"
Codein<-"http://202.199.165.193/validateCodeAction.do"
#构造报头:
header = c(    
      "Accept"="text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
      "Connection"="keep-alive",
      "User-Agent"="Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36",
      "Content-Type"="application/x-www-form-urlencoded"
       )
#构造账号、密码、验证码(留空)构成的表单体
payload<-c(zjh="*******",mm="*****",v_yzm="")

使用cookie管理器:

#设置错误记录
d <- debugGatherer()
#构造curl句柄收集登录信息,开启cookiefile管理器:
chandle <- getCurlHandle(debugfunction=d$update,followlocation=TRUE,cookiefile="",verbose = TRUE)
#使用POST请求先请求一次登录地址,将cookie保存下来:
postForm(login,httpheader=header,.params=payload,.encoding="GBK",curl=chandle,style="post")
#获取验证码并保存本地
getBinaryURL(Codein,httpheader=header,curl=chandle) %>% writeBin("vcode.jpg")
#使用ggplot2读取验证码:
ggplot()+geom_image(aes(x=1,y=1,image="vcode.jpg"),size=.1)+theme_void()
#指定验证码
payload[['v_yzm']]<-readline("请输入您的验证码:")
#使用完整的登录信息再次POST请求登录:
postForm(login,httpheader=header,.params=payload,.encoding="GBK",curl=chandle,style="post")
url=URLencode("http://202.199.165.193/gradeLnAllAction.do?type=ln&oper=qbinfo",reserved =FALSE)
#当登录成功之后,即可切换到别的子页面进行内容请求
mysocre<-postForm(url,httpheader=header,.params=payload,.encoding="GBK",curl=chandle,style="post") 
myresult<-mysocre %>% iconv("GBK","utf-8") %>% htmlParse(encoding="utf-8") 
#抽取学期信息
scorename<-myresult  %>% getNodeSet("//table//tr//td[@valign='middle']/b") %>% lapply(xmlValue,trim=T) %>% unlist()
#提取成绩表标头信息
namelabel<-myresult  %>% getNodeSet("//table[@class='titleTop2']//th") %>% lapply(xmlValue,trim=T) %>% unlist() %>% unique()
#提取课程成绩信息:
scoreclass<-myresult %>% getNodeSet("//table[@class='titleTop2']") 
classall<-data.frame()
for (i in 1:8){
classall<-rbind(classall,scoreclass %>% `[[`(i) %>% readHTMLTable() %>% .[3:(nrow(.)-1),])
 }
#提取所有学习成绩
names(classall)<-namelabel
#预览
head(classall)

接下来使用httr包进行演示:

library("httr") 
library("dplyr") 
library("jsonlite")
library("curl")
library("magrittr")
library("plyr")
library("rlist")
library("jpeg")
library("ggimage")
library("rvest")

POST登录教务系统:

#构造报头和登录信息
header = c( "Accept"="text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",    "Connection"="keep-alive",    "User-Agent"="Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36",    "Content-Type"="application/x-www-form-urlencoded")
payload<-c(zjh="*******",mm="********",v_yzm="")
#登录请求和验证码请求地址
login  <-"http://202.199.165.193/loginAction.do"
Codeurl<-"http://202.199.165.193/validateCodeAction.do"
h<-handle(login)
#第一次请求获取并保存cookie
POST(login,add_headers(.headers =header),body =payload,encode="form",verbose(),handle=h) 
#第二次请求获取验证码
image<-POST(Codeurl,add_headers(.headers =header),body=payload,encode="form",verbose(),handle=h)%>% content()
image %>% jpeg::writeJPEG(.,"vcode.jpg",quality=1)
#读取验证码
ggplot()+geom_image(aes(x=1,y=1,image="vcode.jpg"),size=.1)+theme_void()
#手动输入验证码,完善登录信息:
payload[['v_yzm']]<-readline("请输入您的验证码:")
#可以再请求一次,查看弹出信息,如果出现你的名字或者课程信息,那么恭喜你,登录成功了!
r <- POST(login,add_headers(.headers =header),body =payload,encode="form",verbose(),handle=h)
#登录成功之后,可以换一个子网页请求自己需要的信息
url<- URLencode("http://202.199.165.193/gradeLnAllAction.do?type=ln&oper=qbinfo",reserved =FALSE)
myresult<- POST(url,add_headers(.headers =header),body =payload,encode="form",verbose(),handle=h) 
#获取内容并解析内容,剩余的解析内容你可以使用rvest包或者使用XML包
mytable <-  myresult  %>%  content(as="parsed",type ="text/html",encoding ="GBK") %>% html_nodes(xpath="//table[@class='titleTop2']") %>% html_table(fill = TRUE)

Python:

import http.cookiejar
from urllib.request import build_opener, HTTPCookieProcessor, Request  
from urllib.parse import urlencode  
from PIL import Image
import matplotlib.pyplot as plt
import re
import sys
import importlib
importlib.reload(sys)

开启cookies管理:

cookie = http.cookiejar.CookieJar()  
opener=build_opener(HTTPCookieProcessor(cookie))  
#构造个人登录信息:
values = {'zjh':'*******','mm':'*****','v_yzm':''}
postdata = urlencode(values).encode(encoding='UTF-8')
header = {    
     'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36',
     'Referer':'http://202.199.165.193/loginAction.do'
      }
#第一次请求网页得到cookie:
login = "http://202.199.165.193/loginAction.do"
request = Request(login,postdata,headers=header)
response = opener.open(request)
print (response.getcode())
#200
for item in cookie:
    print ('Name = '+item.name)
    print ('Value = '+item.value)

获取验证码并保存 :

yzm = opener.open("http://202.199.165.193/validateCodeAction.do")
yzm_data = yzm.read()
yzm_pic  = open('yzm.jpg','wb')
yzm_pic.write(yzm_data)
yzm_pic.close()

读取用户验证码

img=Image.open('yzm.jpg')
plt.figure("code",figsize=(1.2,2.4))
plt.axis('off')
plt.imshow(img)
plt.show()
values['v_yzm'] = input('请输入验证码:')
login = "http://202.199.165.193/loginAction.do"
postdata = urlencode(values).encode(encoding='UTF-8')
#带验证码模拟登陆
request  = Request(login,postdata,header)
response = opener.open(request)
print (response.read().decode('gbk'))

请求需要的内容信息:

url="http://202.199.165.193/gradeLnAllAction.do"
values = {"type":"ln","oper":"qbinfo","lnxndm":"2014-2015学年第二学期(两学期)"}
data = urlencode(values)
geturl = url + "?" + data
response = opener.open(geturl)
print(response.read().decode('gbk'))


本文参考文献:
https://cran.r-project.org/web/packages/RCurl/
RCurl.pdfhttp://blog.csdn.net/sinat_26917383/article/details/51123164
https://cran.r-project.org/web/packages/httr/
httr.pdf
https://docs.python.org/2/library/urllib.html
往期案例数据请移步本人GitHub:
https://github.com/ljtyduyu/DataWarehouse/tree/master/File

原文发布于微信公众号 - 数据小魔方(datamofang)

原文发表时间:2017-10-18

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏ChaMd5安全团队

ssctf2017_WriteUp

ssctf2017_WriteUp From ChaMd5安全团队核心成员 pcat&poyoten&lncken 【 杂项 】 签到 Z2dRQGdRMWZ...

1.2K90
来自专栏张戈的专栏

全站启用SSL之后,如何兼容不支持https抓取的搜索引擎?

还是在今年 5 月份,百度就跳出来,宣布成为国内首个支持 https 的搜索引擎,结果呢?呵呵... ? 一、案例 ①、抓取诊断 全站开启并强制 https 之...

76360
来自专栏weixuqin 的专栏

爬取网易云音乐评论并使用词云展示

34250
来自专栏波涛汹涌

在阴影中:Vawtrak(银行木马病毒)意图通过添加新的数据源使得自己更加隐蔽

在Dridex木马活动短暂停止的同时,这个恶意软件背后的犯罪人员立马去寻找(开发)新的交付渠道(攻击方法,钓鱼方式),这看起来像是其他的恶意软件供应商将自己定位...

18630
来自专栏沈唁志

纯代码实现熊掌号H5页面结构化改造

22520
来自专栏大数据架构师专家

运维安全之Tripwire

Tripwire是最为著名的unix下文件系统完整性检查的软件工具,这一软件采用的技术核心就是对每个要监控的文件产生一个数字签名,保留下来。

13210
来自专栏我就是马云飞

RxJava2 实战知识梳理(2) - 计算一段时间内数据的平均值

前言 今天,我们继续跟着 RxJava-Android-Samples 的脚步,一起看一下RxJava2在实战当中的应用,在这个项目中,第二个的例子的描述如下:...

27360
来自专栏進无尽的文章

扒虫篇- Bug日志 Ⅷ

不执行的原因是 在VC中使用这个ImageUploaderManager时,需要设置为全局变量,如果是局部变量的话,很快会被销毁掉,其中的代理自然不会执行了。

21530
来自专栏FreeBuf

利用Outlook Forms绕过VB宏,获取目标Shell

利用宏规则散布恶意程序已成为众所周知的途径,因此许多人都通过禁用宏规来保护信息安全。但如今,“宏”似乎变成了一个可以绕过的障碍。此前的Word 0-day漏洞就...

22650
来自专栏星回的实验室

nodejs实现简单的自动约车

最近约车真是越来越难了,网上约车经常车位刚放出来便已空空如也。突然回想起之前学车时教练反复提到的约车软件,去淘宝上一查:我去,卖出去一千多份了!还能约到车那就是...

15230

扫码关注云+社区

领取腾讯云代金券