裁判文书网2019年9月份最新爬虫

最新推荐文章于 2023-01-30 10:55:45 发布

Since_you

最新推荐文章于 2023-01-30 10:55:45 发布

阅读量1.3w

点赞数 14

分类专栏： python爬虫文章标签：文书网爬虫最新

本文链接：https://blog.csdn.net/Since_you/article/details/100566633

版权

python爬虫专栏收录该内容

15 篇文章 0 订阅

订阅专栏

文书网在9月份终于更新了，上去看了一下，无比的流畅。秉持着一颗探索，天真的童心看看文书网这次更新有啥突破和进展，一言不合直接打开开发者工具，仔细寻找了一番，看到了一个可疑的连接，定睛一看，wc，参数这么多，加入参数，最后的返回值内竟然没有自己想要的文本内容，到底怎么弄！！！，可能很多小伙伴看到这里就开始怀疑自己了，这是啥玩意嘛，弄得这么复杂，还能不能愉快的玩耍了！在这里插入图片描述
可是没办法嘛，我们要紧跟时代的步伐，慢慢来。经过一两个小时，调试js，终于拨开云雾，海阔天空。下面我们一一来分析这些参数。
1、pageid 其实这个参数我们可以猜想，可能是根据页数，通过某个加密函数进行加密，可是当我进行调试的时候，发现在改变页数的同时，他是不发生改变的。所以上面猜想失败。我全局搜索了一下pageid，出现很多，其中一个函数他尤其的亮眼，是他，是他，就是他，人群中最亮的仔。
pageid
其实观察源码发现，他是传入一个数，循环32次，每次输出一个16进制的数组成，没有什么难度。
2、s8 表示案件类型，05代表的是国家赔偿与司法救助案件，这些在wenshulist1.js这个js内全都有标注，可以自己去看（可以自己修改）
3、sortFields表示按照法院层级降序排列（可以自己修改）
4、ciphertext 这个参数其实也很好找，全局搜索

可以简单看下逻辑，前面几行都比较简单，重点是在 var enc这边，这边用到了一个DES3加密，也是这次更新可能唯一的难点，传入三个参数加密后，再经过strTobinary函数处理，就能得到该参数，DES3加密的函数在下方：
在这里插入图片描述
大约稍微那么一丢丢能看得懂，其实看不懂也没关系，python执行js就好了。
5、pagenum 当前的页数
6、querycondition 将之前那个转成字典再转化成列表就好了
7、cfg 固定参数
8、__RequestVerificationToken 唯一标致，也是一次获取后，后面也可以不发生改变，全局搜索下，是由这边生成的

function random(size){
            	var str = "",
            	arr = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z', 'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'O', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z'];
            	for(var i=0; i<size; i++){
            		str += arr[Math.round(Math.random() * (arr.length-1))];
            	}
            	return str;
            }

以上所有参数都基本上有逻辑能够写出来了，但是得到这些参数成功请求后，网站的作者还设置了一道坎，就是他会返回两个值，一个result，一个secretkey(还真是秘密钥匙)，将这两个参数再进行一次DES3解码就能得到json数据了。其实整体看下来，没有以前难，甚至还有那么一丢丢小简单，下面就贴下代码，大家参考就好。

# coding=utf-8
import requests
import time
import execjs
import base64
import json
from pprint import pprint
from Cryptodome.Cipher import DES3
from Cryptodome.Util.Padding import unpad, pad
"""
2019年9月份文书网spider更新，简单看了下文书网更新过后的加密方式，整体比以前简单不少，
总结起来大概就是ciphertext这个参数是变化的，其他的基本上不会改变，传入data获取数据后，会有一个
DES3解密，其他的好像没什么难点（有可能没遇到坑），就大概写个逻辑脚本，需要完善
"""

# ----------------------------------自定义函数-------------------------------------------

# 获取ciphertext参数
def get_cipher():
    with open ("c:\\Users\\包子xia\\Desktop\\file\\cipher.js",encoding='utf-8') as f:
        js = f.read()
    ctx =execjs.compile(js)
    cipher = ctx.call("cipher")
    return cipher

# 获取DES解密后的返回值
def get_result(result,secretKey,date):
    des3 = DES3.new(key=secretKey.encode(), mode=DES3.MODE_CBC, iv=date.encode())
    decrypted_data = des3.decrypt(base64.b64decode(result))
    plain_text = unpad(decrypted_data, DES3.block_size).decode()
    return plain_text

# 获取__RequestVerificationToken参数
def get_token():
    js = """ function random(size){
            	var str = "",
            	arr = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z', 'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'O', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z'];
            	for(var i=0; i<size; i++){
            		str += arr[Math.round(Math.random() * (arr.length-1))];
            	}
            	return str;
            }
    """
    ctx = execjs.compile(js)
    result = ctx.call("random", "24")
    return result

# 获取pageid
def get_pageid():
    js = """function happy() {
                    var guid = "";
                    for (var i = 1; i <= 32; i++) {
                        var n = Math.floor(Math.random() * 16.0).toString(16);
                        guid += n;
                        // if ((i == 8) || (i == 12) || (i == 16) || (i == 20)) guid +=
                        // "-";
                    }
                    return guid;
                }"""
    ctx = execjs.compile(js)
    pageid = ctx.call("happy")
    return pageid

#-------------------------------自定义函数结束-----------------------------------------


class wenshu(object):
    def __init__(self):
        self.session = requests.Session()
        self.headers = {
            "Cookie":"SESSION=f25ce583-7609-43ba-bb12-a0f3cdb15515",
            "Host":"wenshu.court.gov.cn",
            "Origin":"http://wenshu.court.gov.cn",
            "User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36",
        }

    def get_docid(self):
        """文书列表页"""
        url = "http://wenshu.court.gov.cn/website/parse/rest.q4w"
        data = {
            "s8": "04",
            "pageId": "%s" % get_pageid(),
            "sortFields": "s50:desc",  # 按照法院层级降序排列
            "ciphertext": "%s" % get_cipher(),
            "pageNum": "1",
            "pageSize": "5",
            "queryCondition": '[{"key":"s8","value":"04"}]',  # 这边可以自定义选择，04表示行政案件
            "cfg": "com.lawyee.judge.dc.parse.dto.SearchDataDsoDTO@queryDoc",
            "__RequestVerificationToken": "%s" % get_token()
        }
        response = self.session.post(url, data=data,headers=self.headers)
        json_value = json.loads(response.text)
        secretKey = json_value["secretKey"]
        result = json_value["result"]
        data = json.loads(get_result(result, secretKey, time.strftime("%Y%m%d")))
        for key in data["queryResult"]["resultList"]:
            rowkey = key["rowkey"]
            self.detail_page(rowkey)

    def detail_page(self,docid):
        """文书详情页"""
        url = "http://wenshu.court.gov.cn/website/parse/rest.q4w"
        data = {
            "docId": "%s" % docid,
            "ciphertext": get_cipher(),
            "cfg": "com.lawyee.judge.dc.parse.dto.SearchDataDsoDTO@docInfoSearch",
            "__RequestVerificationToken": "%s" % get_token(),
        }

        response = self.session.post(url, data=data,headers=self.headers)
        json_value = json.loads(response.text)
        secretKey = json_value["secretKey"]
        result = json_value["result"]
        data = json.loads(get_result(result, secretKey, time.strftime("%Y%m%d")))
        pprint(data)


if __name__ == '__main__':
    demo = wenshu()
    demo.get_docid()