其他
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
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