Python与R协同完成【中国裁判文书网】文书内容爬取

最新推荐文章于 2024-06-24 10:37:04 发布

风风雨雨中寻觅

最新推荐文章于 2024-06-24 10:37:04 发布

阅读量3.5k

点赞数 3

分类专栏：爬虫 R Python 文章标签： Python R 爬虫大数据法律文书

本文链接：https://blog.csdn.net/qq_38984677/article/details/80938556

版权

R 同时被 3 个专栏收录

57 篇文章 15 订阅

订阅专栏

爬虫

18 篇文章 1 订阅

订阅专栏

Python

12 篇文章 1 订阅

订阅专栏

概述：

目标网站：http://wenshu.court.gov.cn/
核心：爬取每份文书的DocID
请求URL：http://wenshu.court.gov.cn/List/ListContent
请求类型：POST

传参表格数据参数：Param,Index,Page,Order,Direction,vl5x,number,guid

分析过程：

1.guid也称为uuid,通用唯一识别码
2.number由向http://wenshu.court.gov.cn/ValiCode/GetCode POST请求得到,form data为guid
3.vl5x由getKey()函数(判断方法JavaScrip代码:Lawyee.CPWSW.JsTree.js)
4.案由层级目录:Lawyee.CPWSW.DictData.js
5.getKey()的function定义在List?Sorttype=1&conditions=searchWord+1+AJLX++...的response中(加密packed标识)该函数是js代码
注：以上过程均需要自己耐心寻找,没有捷径
6.加密packed的getKey()函数unpacked:
复制getKey()函数,如function getKey() {.....}到http://tool.chinaz.com/js.aspx进行unpacked,之后将解密后的结果代码复制到http://jsbeautifier.org/进行js界面美观
7.调试unpacked后的getKey()函数js代码
新建unpacked.html文件,内容如下：

  <script type="text/javascript" src="base64.js"></script>
  <script type="text/javascript" src="md5.js"></script>
  <script type="text/javascript">
  getKey()函数代码
  </script>
  <button onclick="getKey()">点击这里</button>

  <script type="text/javascript">
  getKey()函数代码
  </script>
  <button onclick="getKey()">点击这里</button>

将unpacked.html文件用谷歌浏览器打开,f12-console-filter,点击【点击这里】按钮,发现报错信息getCookie is not defined(因为文件中有getCookie函数未定义),getCookie获取的是Cookie中的vjkl5(故可以直接替换),调试过程中可以将return或eval替换成alert观察输出结果(一行一行的解析)

上面红色部分,使用Console调试,看缺少哪些东西,补充(原网页找链接,补充),与unpacked.html文件放在同一目录下

配置文件下载地址：

JS混淆解密并美化过的getkey：https://download.csdn.net/download/qq_38984677/10541403

getkey JS文件：https://download.csdn.net/download/qq_38984677/10541401

base64 JS文件：https://download.csdn.net/download/qq_38984677/10541398

代码如下：

import urllib.request
import re
import http.cookiejar
import execjs
import uuid
guid=uuid.uuid4()

print("guid:"+str(guid))

#文件路径自己改

fh=open("F:/../base64.js","r")
js1=fh.read()
fh.close()
fh=open("F:/../md5.js","r")
js2=fh.read()
fh.close()
fh=open("F:/../getkey.js","r")
js3=fh.read()
fh.close()
js_all=js1+js2+js3
cjar=http.cookiejar.CookieJar()
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cjar))
opener.addheaders=[("Referer","http://wenshu.court.gov.cn/list/list/?sorttype=1&number=A3EXFTV7&guid=a4103106-1934-74f9c684-59d9b84f84e1&conditions=searchWord+1+AJLX++%E6%A1%88%E4%BB%B6%E7%B1%BB%E5%9E%8B:%E5%88%91%E4%BA%8B%E6%A1%88%E4%BB%B6&conditions=searchWord+%E6%B5%99%E6%B1%9F%E7%9C%81+++%E6%B3%95%E9%99%A2%E5%9C%B0%E5%9F%9F:%E6%B5%99%E6%B1%9F%E7%9C%81")]
urllib.request.install_opener(opener)
import random

#第四个是我自己的，贡献出来

uapools=[
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.79 Safari/537.36 Edge/14.14393",
    "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 Safari/537.36 SE 2.X MetaSr 1.0",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36",
    ]
urllib.request.urlopen("http://wenshu.court.gov.cn/list/list/?sorttype=1&number=A3EXFTV7&guid=a4103106-1934-74f9c684-59d9b84f84e1&conditions=searchWord+1+AJLX++%E6%A1%88%E4%BB%B6%E7%B1%BB%E5%9E%8B:%E5%88%91%E4%BA%8B%E6%A1%88%E4%BB%B6&conditions=searchWord+%E6%B5%99%E6%B1%9F%E7%9C%81+++%E6%B3%95%E9%99%A2%E5%9C%B0%E5%9F%9F:%E6%B5%99%E6%B1%9F%E7%9C%81").read().decode("utf-8","ignore")
pat="vjkl5=(.*?)\s"
vjkl5=re.compile(pat,re.S).findall(str(cjar))
if(len(vjkl5)>0):
    vjkl5=vjkl5[0]
else:
    vjkl5=0
print("vjkl5:"+str(vjkl5))
js_all=js_all.replace("ce7c8849dffea151c0179187f85efc9751115a7b",str(vjkl5))


compile_js=execjs.compile(js_all)
vl5x=compile_js.call("getKey")
print("vl5x:"+str(vl5x))
url="http://wenshu.court.gov.cn/List/ListContent"
#100页
for i in range(0,100):
    try:
        codeurl="http://wenshu.court.gov.cn/ValiCode/GetCode"
        codedata=urllib.parse.urlencode({
                                "guid":guid,
                                }).encode('utf-8')
        codereq = urllib.request.Request(codeurl,codedata)
        codereq.add_header('User-Agent',random.choice(uapools))
        codedata=urllib.request.urlopen(codereq).read().decode("utf-8","ignore")
        #print(codedata)

#条件自己改，一般只能爬取100页，所以可以传入更精确的查询条件，比如律所、律师等

        postdata =urllib.parse.urlencode({
                                "Param":"案件类型:民事案件,法院地域:浙江省",
                                "Index":str(i+1),
                                "Page":"20",
                                "Order":"法院层级",
                                "Direction":"asc",
                                "number":str(codedata),
                                "guid":guid,
                                "vl5x":vl5x,
                                }).encode('utf-8')
        req = urllib.request.Request(url,postdata)
        req.add_header('User-Agent',random.choice(uapools))
        data=urllib.request.urlopen(req).read().decode("utf-8","ignore")
        pat1='文书ID.*?".*?"(.*?)."'
        pat2='裁判日期.*?".*?"(.*?)."'
        pat3='案件名称.*?".*?"(.*?)."'
        pat4='审判程序.*?".*?"(.*?)."'
        pat5='案号.*?".*?"(.*?)."'
        pat6='法院名称.*?".*?"(.*?)."'
        allid1=re.compile(pat1).findall(data)
        print(allid1)
        tian=open('Doc_Id.txt','a')
        for j in allid1:
            tian.write(j)
            tian.write('\n')
        tian.close()
        allid2=re.compile(pat2).findall(data)
        print(allid2)
        tian=open('Date_Referee.txt','a')
        for j in allid2:
            tian.write(j)
            tian.write('\n')
        tian.close()
        allid3=re.compile(pat3).findall(data)
        print(allid3)
        tian=open('Case_Name.txt','a')
        for j in allid3:
            tian.write(j)
            tian.write('\n')
        tian.close()
        allid4=re.compile(pat4).findall(data)
        print(allid4)
        tian=open('Trial_Procedure.txt','a')
        for j in allid4:
            tian.write(j)
            tian.write('\n')
        tian.close()
        allid5=re.compile(pat5).findall(data)
        print(allid5)
        tian=open('Case_Number.txt','a')
        for j in allid5:
            tian.write(j)
            tian.write('\n')
        tian.close()
        allid6=re.compile(pat6).findall(data)
        print(allid6)
        tian=open('Court_Name.txt','a')
        for j in allid6:
            tian.write(j)
            tian.write('\n')
        tian.close()
    except Exception as err:
        print(err)

####用R完成剩余的工作，CSDN没有R选项，所以按Python来编辑
setwd("F:/../...")
library("rvest")
library("dplyr")
Case_Name<-read.table("Case_Name.txt",stringsAsFactors = F,sep = '\n')
Case_Number<-read.table("Case_Number.txt",stringsAsFactors = F,sep = '\n')
Court_Name<-read.table("Court_Name.txt",stringsAsFactors = F,sep = '\n')
Date_Referee<-read.table("Date_Referee.txt",stringsAsFactors = F,sep = '\n')
Doc_Id<-read.table("Doc_Id.txt",stringsAsFactors = F,sep = '\n')
Trial_Procedure<-read.table("Trial_Procedure.txt",stringsAsFactors = F,sep = '\n')
document_basic_info<-cbind(Case_Name,Case_Number,Court_Name,Date_Referee,Doc_Id,Trial_Procedure,stringsAsFactors = F)
colnames(document_basic_info)<-c('Case_Name','Case_Number','Court_Name','Date_Referee','Doc_Id','Trial_Procedure')
rm(Case_Name)
rm(Case_Number)
rm(Court_Name)
rm(Date_Referee)
rm(Doc_Id)
rm(Trial_Procedure)
gc()


data_frame_huizong<-data.frame()
url_yuan<-'http://wenshu.court.gov.cn/CreateContentJS/CreateContentJS.aspx?DocID='
for (j in 1:nrow(document_basic_info)) {
    url<-paste0(url_yuan,document_basic_info$Doc_Id[j])
i=1
while (i<=10) {
trycatch_value<-tryCatch({
link<-as.character()
link<-read_html(url) %>% html_nodes(xpath="/html/body/div") %>% html_text();
1+1},error=function(e) return(paste0("第",j,"行文书ID：",document_basic_info$Doc_Id[j],"第",i,"次循环的页面未获取到，错误信息：",e$message))
)
if (trycatch_value==2 & (length(link)>0)) 
break else {
print(trycatch_value)
i=i+1
Sys.sleep(runif(1,3,4))
}
}
#如果某个文书ID始终没有获取到数据，跳出循环
if (i>1 & (length(link)==0)) break
data_frame_tmp<-as.data.frame(cbind(as.character(document_basic_info$Case_Number)[j],link),stringsAsFactors=F)
rm(link)	  
colnames(data_frame_tmp)<-c("Case_Number","Case_Text")
data_frame_huizong<-rbind(data_frame_huizong,data_frame_tmp)
rm(data_frame_tmp)
gc()
Sys.sleep(runif(1,1,2))
}
rm(j)
rm(url)
data_frame_huizong$Case_Text<-gsub('[[:space:]]',"",data_frame_huizong$Case_Text)

以上的Python部分参考了韦玮老师的部分代码，整个爬取过程，1600份文书共1h左右

附上一些例外处理的截图，只是为了debug和log使用，不影响结果的完整及准确性

风风雨雨中寻觅

关注

3
点赞
踩
6

收藏

觉得还不错? 一键收藏
13
评论
Python与R协同完成【中国裁判文书网】文书内容爬取

概述：目标网站：http://wenshu.court.gov.cn/核心：爬取每份文书的DocID请求URL：http://wenshu.court.gov.cn/List/ListContent请求类型：POST传参表格数据参数：Param,Index,Page,Order,Direction,vl5x,number,guid分析过程：1.guid也称为uuid,通用唯一...
复制链接

扫一扫