查看原文
其他

左手用R右手Python系列——模拟登陆教务系统

2017-12-01 ​杜雨 R语言中文社区

杜雨,EasyCharts团队成员,R语言中文社区专栏作者,兴趣方向为:Excel商务图表,R语言数据可视化,地理信息数据可视化。个人公众号:数据小魔方(微信ID:datamofang) ,“数据小魔方”创始人。


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

在线课程请点击文末原文链接:
往期案例数据请移步本人GitHub:
https://github.com/ljtyduyu/DataWarehouse/tree/master/File



公众号后台回复关键字即可学习

回复 R               R语言快速入门免费视频 
回复 统计          统计方法及其在R中的实现
回复 用户画像   民生银行客户画像搭建与应用 
回复 大数据      大数据系列免费视频教程
回复 可视化      利用R语言做数据可视化
回复 数据挖掘   数据挖掘算法原理解释与应用
回复 机器学习   R&Python机器学习入门 

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存