中国裁判文书网爬虫分析

前言

本篇主要分析文书网爬虫思路,仅供个人学习之用,切勿用于任何商业用途。


分析一

中国裁判文书网首页地址:http://wenshu.court.gov.cn/
这里写图片描述

  1. 随便点击一下搜索,进入:
    这里写图片描述

  2. 进入第一个结果:
    这里写图片描述

  3. 注意圆圈中的下载按钮,点击下载,一个.docx格式的文档就安安稳稳的躺在你的电脑硬盘上了。
    这里写图片描述

  4. 到这里初步分析结束,我们自然就想到了爬虫的内容:
    这里写图片描述


分析二

  1. 网页地址:http://wenshu.court.gov.cn/content/content?DocID=532bd8ed-4ba8-48b7-ad70-0063f64ede05,从中提取出DocID,借助fiddler分析:
    这里写图片描述
    这里写图片描述
  2. 用到post方法,post的3个参数DocID已经知道,剩下的htmlStrhtmlName暂时未知,不过很容易就能猜出来,也可以拷贝出来urldecode解码查看具体内容。
    这里写图片描述
  3. 但是我们仍然不知道htmlStrhtmlName的值怎么来的,接下来查看网页源代码,chromectrl + u或者右键-查看网页源代码
    这里写图片描述
    源网页是没有文档内容的,可以知道是异步加载,我们看到这样一段脚本,CreateContentJS,向一个地址请求信息
    http://wenshu.court.gov.cn/CreateContentJS/CreateContentJS.aspx?DocID=532bd8ed-4ba8-48b7-ad70-0063f64ede05 ,抓包看看。
    这里写图片描述
    可以看到,请求的结果就包含了htmlStrhtmlName的值。然后,你需要对这串字符串进行处理,处理过程略过不提。
  4. 接下来要得到批量的DocID,回到搜索结果中,同样查看网页源代码我们得知DocID也是异步加载,查看抓包结果:
    这里写图片描述
    经过处理后,可以得到json数据:
    这里写图片描述
    这里写图片描述
    这里写图片描述
    也是post方法,除了webform
  • 8
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 8
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值