2019-06-30中国裁判文书网数据爬虫更新，PYTHON

#首次写博客
中国裁判文书网

2019-09-25
这次又更新了一个版本，换汤不换药~~pass

2019-06-30依旧可用。

从2018年8月7日网站更新后，网上代码全军覆没不可用，着手研究了下。

---

2018年9月22日/23日开放docid解析api。

docid解析api

更新2018年8月20日

这两天文书网又动手脚了，更新了7道反爬措施。佩服这工程师啊，改动这么频繁~

1. 主要用到的就是unzip，com.str.Decrypt，结合起来运行js；缺什么函数就补什么函数，主要的还是Decrypt中的_key需要获取来解密。

更新于2018年9月8日/9月14日

又双叒叕更新了，又是周五，成心不让休息啊，大哥。
不过，这次属于新瓶装旧酒，恢复了一些功能。
其它跟8月7日差不多。

分析

思路主要通过python去破解网站js的加密数据。该网站请求数据都是通过post请求的，分析一下header，会发现，它是一个post请求，请求的表单数据包括param、index、page、order、direction、vl5x、number、guid这几个参数。很显然，param是查询字符串，index是页码，page是一页展示的数据量，order是排序方式，其中，vl5x、number、guid是js代码加密生成得可变参数。一次性向对方服务器发送请求后获取相应得数据得。

1. vl5x是对大多数人来说是最难获取的。
   涉及到js代码的混淆，相比之前的复杂的多。
   浏览器分析得到如下代码
   

看到这些代码，爬虫新手一下就懵逼了~~~orz

这就是js代码的混淆，谷歌一下js反混淆，就能得到正常的js代码，python运用PyExecJs调用getKey函数就能得到vl5x。

with open(r'D:\source\wenshu_spider\getKey.js') as fp:
        js = fp.read()
        ect=execjs.compile(js)
        vl5x=ect.call('getKey','a3e88e89affa632c001fc18bb990d3c02eaf9c7d')
        print(vl5x)

第一大难题至此解决。

2. guid参数，guid是一个随机生成的参数，也是调用js即可；这个之前的代码也可以用；

3. number参数，post参数guid到GetCode即可。
   

---

程序运行过程中提取的数据(2018年9月8日)。

##TODO

想写的太多了，慢慢来（大坑）
……

---

已爬取8800万条裁判文书数据，有需要数据的伙伴可以(｡･∀･)ﾉﾞ嗨前台QQ7900-44912。

提取到EXCEL，主要字段如下：