Skip to content

Latest commit

 

History

History
203 lines (114 loc) · 5.67 KB

README.md

File metadata and controls

203 lines (114 loc) · 5.67 KB
Raw

zfspider

正方学籍系统爬虫

想法：

  1. 通过用户名和密码登录，自动获取绩点、成绩、课程表、个人信息等（自动选课、学期自动评价）
  2. 将获取到的信息，存入MYSQL
  3. 通过MySQL搭建校园服务平台信息（1.后台 2.小程序 3. iOS 4. Android）

已完成：

  1. 通过用户名和密码登录，自动获取绩点、成绩、课程表、个人信息
  2. 将信息存入数据库

待完成：

  1. 学籍系统其他信息挖掘
  2. 验证码自动识别
  3. 后台API服务
  4. 小程序
  5. iOS
  6. Android
  7. WEB

1. 爬虫过程

1. 环境：

1. 采用的工具：

  1. sublime Text（代码编写）
  2. iTerm2（代码运行）
  3. Anaconda （Python包管理）
  4. Chrome（访问抓包、测试）

2. 运行环境：

  1. 系统：OSX 10.11.6
  2. 数据库：MYSQL 5.6
  3. Python：Python 3.6
  4. Charles：抓包工具

2. 项目文件：

spider.py：主文件

zfmodel.py：模型文件，构建数据库

zfparesHtml.py：解析返回的HTML数据

2. 源码分析

spider.py

运行流程：

  1. 建立数据库连接，通过学号获取数据库中已用的学生信息，否则就将用户输入的学生信息（学号、密码、姓名）添加到数据库里
  2. 实例化爬虫类ZhengFangSpider，传入学生信息，默认的baseURL=http://学籍系统网站或IP/(0sh5f5fnxcowan45z1oa2h55)，关于0sh5f5fnxcowan45z1oa2h55，因为在不同时间访问的时候，发现会在URL的后面添加这一串字符会随时间的改变而改变（可能为时间的MD5值截取部分（25位），只要不为空就能访问）
  3. 用户登录，等待用户输入验证码（手动，保存在./code.jpg），可以输入1，换一张验证码。这里可以优化为AI自动识别
  4. 登录成功，获取学生的信息，并更新数据库
  5. 获取学生的所有成绩、绩点、学分
  6. 获取学生的所有课程表

zfmodel.py

使用Python中SQLAlchemy作为ORM来构建模型，数据库驱动使用mysql-connector

初次使用

# engine = create_engine('mysql+mysqlconnector://root:123456@localhost:3306/test')
# 单独运行该文件，用于初始创建表用，前提你的数据库连接完毕
if __name__ == '__main__':
    Base.metadata.create_all(engine)

SQLAlchemy

  1. 导入包
# 数据库引擎、外键
from sqlalchemy import create_engine, ForeignKey
# 数据库模型
from sqlalchemy.ext.declarative import declarative_base
# 数据库类型
from sqlalchemy import Column, String, Integer, Float
# 事物和关系(1:1、1:n、m:n)
from sqlalchemy.orm import sessionmaker, relationship

2.模型构建

注意设置好模型之间的关系、外键和类型

  1. Student：学生模型
  2. ClassSchedule：课表模型
  3. Class：课程模型
  4. YearGrade：学年成绩模型
  5. TermGrade：学期成绩模型
  6. OneLessonGrade：课程模型

zfparHtml.py

用到了HTML解析：bs4

实现的功

  1. 从网页中解析学生信息，返回一个字典
def getStudentInfor(response):
    return d
  1. 从网页中解析课表信息

获取课程表，是比较复杂的操作，因课程表里面的信息，排列关系每个单元格可能不同，所以需要进行判断

def getClassScheduleFromHtml(response):
    return classes
  1. 获取__VIEWSTATE

这个是.net中独有的信息

def get__VIEWSTATE(response):
    return __VIEWSTATE
  1. 返回历年的所有课程信息（一门课程为单位）
def getGrade(response):
    return Grades

3. 注意点

  1. 从数据库里获取（要注意数据的格式），可能需要转码

  2. 数据存储的顺序(外键关系)

  3. POST提交的Data

  4. Failed processing pyformat-parameters; Python 'navigablestring' cannot be converted to a MySQL type

        # 原因在于bs的字符类型，无法转换为MySQL的类型，所以在上诉字典中的数据强制转换为 str
    # 参考链接：https://www.zhihu.com/question/49146377

  5. 获取个人信息的URL（由于缺少学生名字的URL编码）,# 通过抓包发现需要的是：%D1%A7%C9%FA，如果直接填写会变成：%25D1%25A7%25C9%25FA

  6. 正则表达式

4. 总结

  1. Python中的工具，可以说是减少了大部分时间去重复造轮子，能让你把注意力放在实现上面，减少了时间的浪费并提供了效率，这次项目原型来自于GitHub，这里感谢TA，提供的框架和思路
  2. 实现过程主要是采用了request、bs4库，request从网页中提取和提交信息，bs4解析网页返回HTML代码，通过正则表达式或者遍历，提取出自己感兴趣的内容（这里是整个项目中消耗时间最多的地方，因为网页的信息比较复杂，可能随时会改变（这里就需要抓包工具的配合），需要不断地维护爬虫的源码）。并通过SQLAlchemy将信息保存到数据库里面
  3. 对于数据库的构建来说，注意点在于（id）这个是自动递增的，其他的属性可以作为超键来唯一标识一个数据是关键（换句话说，要想构建id为主键，那么你需要有除i外的属性能够唯一标识元组），同时需要设计好模型之间的关系
  4. 最后，需要对代码进行重构，提高代码的可读性和结构，降低耦合性，模块化、维护，同样自己也要更加地区学习Python

5. 贡献

如果你有好的意见或建议，欢迎给我提 issue 或 pull request。