Python实战案例：爬取中国执行信息公开网

从面试题谈起

谈到这个项目的爬虫，就要从一道面试题谈起了。

这道面试题是：

请写一个爬虫从网址　http://zxgk.court.gov.cn/shixin/，检索被执行人姓名:"阿里"，并填入验证码后查询，抓取结果列表，与对应的详情，并将内容导出为csv。

根据这道面试题的情境，进入到地址http://zxgk.court.gov.cn/shixin/，在“被执行人姓名/名称”后面的输入框中输入“阿里”，再输入验证码，点击红色的“查询”按钮。如下图所示。

现在需要抓取的是查询后的结果数据，如下图所示。

问题的分析

首先必须明确这些数据是点击查询后出现的动作，可以先审阅代码，在”查询"按钮的地方右键”查看元素",找到点击这个按钮后发生了什么样的动作.如下图所示。

从图形反蓝处可以看到html代码的button元素在onclick方法中有一个search()方法.这个search方法就应该是查询的动作.可以通过查看网页源码找到search方法.

在整个网页空白处右键"查看页面源代码",从”源代码"中搜索出search方法,看一下search方法实现逻辑.如图所示.

从图中,可以看到search方法中有一个ajax的请求,ajax请求的url地址可以看到是searchSX.do。这个地址可以从网页“查看元素”的“Network”或网络中可以查看一下这个请求最终的响应结果是什么样的数据。如下图所示。

由上图中可以看到左边接口地址searchSX.do，对应的右边的响应结果是阿里最终的查询结果。通过这样的分析，以这里只需要知道接口请求的请求头中需要哪些信息即可。如图所示。

如上图所示，在右边的窗口中点击：“消息头”，就可以看到请求头中的相关内容。在请求头中有很多项。

第一项：

Acceptapplication/json,text/javascript,*/*;q=0.01

这是Accept客户端能够接受的MIME的类型。在爬虫请求时可以忽略不设置。

第二项：

Accept-Encoding：gzip, deflate

这是客户端允许的编码，也可以在爬虫请求时忽略不设置。

第三项

Accept-Language:zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2

这是客户端允许的语言，一般在中国，都是简体中文，爬虫请求时也可以忽略不设置。

第四项

Connection:keep-alive，

这是保持连接，爬虫爬取时也可以忽略不设置。

第五项：

Content-Length：114,

这是内容的长度，针对本次爬取，爬取可以不设置这个选项。

第六项：

Content-Type：application/x-www-form-urlencoded; charset=UTF-8，

这句标志内容类型，针对本次爬取，爬取时也可以不设置这个选项。

第七项：

Cookie：JSESSIONID=209355FD785AD8D13ED3CC281CF82703; _gscu_15322769=97140202rxdu1031; Hm_lvt_d59e2ad63d3a37c53453b996cb7f8d4e=1605270782; _gscs_15322769=05270772nwfrfu31|pv:4; _gscbrs_15322769=1; Hm_lpvt_d59e2ad63d3a37c53453b996cb7f8d4e=1605271679，

这句是访问这个网站时产生的，这一项必须包括在内，不然爬虫可能爬取不到相关的内容。

第八项：

Host:zxgk.court.gov.cn

主机名字，这个选项在爬取时可以不设置这个选项。

第九项：

Origin：http://zxgk.court.gov.cn,

这个选项爬取时也可以不设置。

第十项:

Referer:http://zxgk.court.gov.cn/shixin/,

如果目标爬取的网站做过盗链的条件下,这个选项是必须要进行设置的.

第十一项:

User-Agent:Mozilla/5.0 (Windows NT 6.2; Win64; x64; rv:82.0) Gecko/20100101 Firefox/82.0,

爬取网站时模拟浏览器的客户端动作,这个选项有助于防止服务器进行反爬,也决定了这个选项是必须要进行设置的.

通过以上的分析,请求头必须有的选项定义headers字典如下.

headers={
“User-Agent”:“Mozilla/5.0 (Windows NT 6.2; Win64; x64; rv:82.0) Gecko/20100101 Firefox/82.0”，
“referer”:“http://zxgk.court.gov.cn/shixin/”，
“cookie”:“JSESSIONID=209355FD785AD8D13ED3CC281CF82703; _gscu_15322769=97140202rxdu1031; Hm_lvt_d59e2ad63d3a37c53453b996cb7f8d4e=1605270782; _gscs_15322769=05270772nwfrfu31|pv:4; _gscbrs_15322769=1; Hm_lpvt_d59e2ad63d3a37c53453b996cb7f8d4e=1605271679”
}

接下来再点击“查看元素”中“network”或“网络”选项卡的右边“请求”的标签，如下图所示。

从图中可以看到，请求的表单数据中是包括了如下的字典参数，可以用params变量来保存这个字典变量参数。

params={
“pName”：“阿里”，
“pCardNum”：“”，
“pProvince”：“0”，
“PCode”：“wxab”，
“captchaId”：“oQDKheA200LTk4fC3PImakpFcqhbeiig”，
“currentPage”：“1”
}

在以上这个字典参数中，pName就是搜索的关键词，pCode就是对应的验证码，pCardNum、pProvince这两个参数不起什么作用，currentPage是页码的问题，关键是captchaId这个参数到底是个什么东西是值得研究的问题。

针对于capchaId的研究只能针对源码进行。通过“查看网页源代码”，可以看到如下图所示的代码。

从上面截取的代码上看，是能够找到captchaId，并且capthaId的值就是uuid的值进行了repace()方法的替换得到了.那么uuid是如何产生的呢?就是function getNum()中的方法得到了.只要把function getNum()的方法用Python的语言写出来就可以了.

Python语言改写前端函数

function getNum()中的方法是前端的语言,把前端转成Python语言可以遵循以下的原则.

(1)把function字母改成def。

(2)把var赋值语句中的var去掉。

(3)把for循环的格式如for(var i=0;i<32;i++)改成for i in range(32)

(4)把每条前端语句中的{}改成冒号（：），同时应用缩进结构。

(5)把每条前端语句后面的分号（；）去掉，python语句后不需要添加任何符号。

这样，就可以把一段function getNum()前端实现的方法改写成Python语言实现的方法。

function getNum() {     
    var chars = [ '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' ];        
    var nums = "";      
    for (var i = 0; i < 32; i++) {          
        var id = parseInt(Math.random() * 61);          
        nums += chars[id];      
    }       
    return nums;    
}

具体Python语言改写后的代码如下。

def getNum():
    chars = [ '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' ]
    nums = ""
    for i in range(0,32):
        id = int(random.randint(0,61))
        nums+=chars[id]
    return nums

这样改写后的代码可以获取到通过这样的接口就可以把这样的uuid对应服务器指定的验证码，接口如下：

captchaNew.do?captchaId=" + uuid.replace("-", "")+ "&random=" + randomNumber);

以上代码是前端的体现，uuid.replace(“-”,””) 表示把 uuid中的减号替换成空。这里我实在是不明白，明明uuid中没有减号，还要替换成空，可能是代码中故意迷惑人的，对那些不懂代码的人进行一些思路上的骚扰。实际上就是captchaId的值就是getNum（）的值。 后面跟上一个随机数据就可以实现验证码的请求，请求验证码后就可以进行请求表单数据中验证码的填写及 captchaId参数的传递了。

Python实现爬取中国执行信息公开网

具体实现代码如下：

import requests
import random
from io import StringIO
from PIL import Image
import json
headers = {
"Cookie":"JSESSIONID=A0053804D456749B5C08F489E3F1D9C2; _gscu_15322769=63264781iz6igj44; _gscbrs_15322769=1; Hm_lvt_d59e2ad63d3a37c53453b996cb7f8d4e=1563264782; Hm_lpvt_d59e2ad63d3a37c53453b996cb7f8d4e=1563264782; _gscs_15322769=63264781zftbxy44|pv:3",
"Host":"zxgk.court.gov.cn",
"Origin":"http://zxgk.court.gov.cn",
"Referer":"http://zxgk.court.gov.cn/shixin/",
"User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36"
}
def getNum():
    chars = [ '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' ]
    nums = ""
    for i in range(0,32):
        id = int(random.randint(0,61))
        nums+=chars[id]
    return nums
captchaId=getNum().replace("-","")
print(captchaId)
randomNumber =str(random.random())
uuid = str(getNum())
imgs="http://zxgk.court.gov.cn/shixin/captchaNew.do?captchaId="+str(captchaId)+"&random="+randomNumber
print(imgs)
rims=requests.get(url=imgs,headers=headers).content
with open("a.png","wb") as f:
    f.write(rims)
pcode=input("请输入验证码：")
data = {
    'pName': '阿里',
    'pProvince': '0',
    'pCode':pcode,
    'captchaId':captchaId,
    'currentPage': '1'
}
response = requests.post(url='http://zxgk.court.gov.cn/shixin/searchSX.do',headers=headers,data=data)
print(response)
html = response.content.decode("utf8")
html=json.loads(html)
print(html[0]["result"])

这段代码的最终运行结果如下。

从运行结果上看，我们已经抓到了阿里的运行结果。