近段需要寫關於爬取課表的功能,現在完成了,來總結一下,說說自己踩過的坑。希望能幫到大家。
1. 分析
首先我們要了解 Http Cookie 的作用(可參考HTTP cookies 詳解),簡單來說就是維持一個會話,這樣我們就能在登陸一個網頁后,就能進入這個網頁需要登陸的界面。
現在我們需要模擬登陸青果教務系統,就也需要先獲取服務器給我們的cookie,然后用這個cookie值去獲取驗證碼登陸,獲取我們想要的內容。要注意的是有的網站對表頭信息也是有驗證的,我們需要在請求中添加表頭信息。
總結起來就三部,首先獲取登錄界面的驗證碼並存儲Cookie,然后通過cookie來模擬登陸,最后進入教務系統取想要的東西。
現在我們需要去留意的內容,各個請求的連接、header、和發送的數據
2. 查看請求
首先我們查看首頁,我們發現登錄並不在首頁上,需要點擊用戶登錄后才算進入了登錄界面。
然后我們查看登錄界面的請求。我們就是需要圖中的Cookie 來登錄,
在看驗證碼的請求,發現其中你的Cookie是一樣的,所以,我們直接獲取驗證碼的Cookie保存就行,不管登界面。
我們在看登錄的請求,請求類型為POST,還是原來的cookie,但是我們發現傳送的數據竟然那么多,其實,比多請求幾次就會發現,其實有幾個的值是永遠不會變的,我們下面接着分析。
查看表單登錄結構,發現剛才的提交數據都是隱藏的標簽,並且都是大部分都是固定值,只有兩個是我在輸入密碼或驗證碼時會一直變動,其實這兩個就是密碼和驗證碼,只是進行了特殊處理,這個網頁引入了一個 md5.js 文件(上面第二張圖中可以看到),加密就是通過這個文件進行的。
我們尋找加密部分的代碼,在頁面的某一部分,我們發現了加密的代碼,我們在模擬登陸時就可以使用這部分處理了。
當我們登陸成功后我們課表的請求。OK,我們的心思收集工作完成了。下面開始編碼吧。
3. 獲取驗證碼和Cookie
首先我們需要一個界面來模擬登陸,我寫了一個簡單的html form登錄,需要注意的是咋提交賬號密碼時要對信息使用 md5.js 加密。
/**
*test.html文件
*/
課表登錄學號:
密碼:
驗證碼:
登錄
我們來獲取驗證碼 ,注意的是我是吧Cookie存儲到了本地
/** */php/getValidate.php文件
*/
//Cookie存儲文件
$cookie_file = dirname(__FILE__)."/../cookie/tmp.cookie";
if(!file_exists($cookie_file)) {
$myfile = fopen($cookie_file, "w");
fclose($myfile);
}
$t = isset($_GET['t'])?$_GET['t']:0;
$verify_code_url = "http://jwgl.xxxxxx.edu.cn/jwweb/sys/ValidateCode.aspx?t=".$t;
//不用糾結那條需要不需要,直接header都寫上是不會錯的
$header = [
'Accept:image/webp,image/apng,image/*,*/*;q=0.8',
'Accept-Encoding:gzip, deflate',
'Accept-Language:zh-CN,zh;q=0.8',
'Cache-Control:no-cache',
'Connection:keep-alive',
'Host:jwgl.xxxx.edu.cn', //修改名稱
'Pragma:no-cache',
'Referer:http://jwgl.xxxxx.edu.cn/jwweb/_data/login.aspx',//修改名稱
'User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.86 Safari/537.36',
];
$curl = curl_init();
curl_setopt($curl,CURLOPT_HTTPHEADER,$header); //設置表頭
curl_setopt($curl, CURLOPT_URL, $verify_code_url); // 設置請求地址
curl_setopt($curl,CURLOPT_COOKIEJAR,$cookie_file); //獲取COOKIE並存儲
$img = curl_exec($curl);
curl_close($curl);
//輸出圖片到html
echo $img;
當進入test.html 時,cookie文件夾下就有存儲的Cookie了
4. 模擬登陸
然后我們模擬登錄,主要的地方是要用之前存儲的Cookie和用Post請求
//Cookie路徑
$cookie_file = dirname(__FILE__)."/../cookie/tmp.cookie";
$url = 'http://jwgl.xxxx.edu.cn/jwweb/_data/index_LOGIN.aspx';
$post = [
'__VIEWSTATE' => 'dDw4ODEwMTkyNTY7Oz6uXw9RQf0bw8SrGIjZutgOtpxLCw==',
'__VIEWSTATEGENERATOR' =>'4B596BA9',
'pcInfo' => 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3080.5 Safari/537.36undefined5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3080.5 Safari/537.36 SN:NULL',
'typeName' => '(unable to decode value)',
'dsdsdsdsdxcxdfgfg' => $_POST['password'],
'fgfggfdgtyuuyyuuckjg' => $_POST['validate'],
'Sel_Type' => 'STU',
'txt_asmcdefsddsd' => $_POST['txt_asmcdefsddsd'],
'txt_pewerwedsdfsdff'=> '',
'txt_sdertfgsadscxcadsads' => '',
'sbtState' => '',
];
$post = http_build_query($post);
$headers = array(
"Accept:text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
"Accept-Encoding:gzip, deflate",
"Accept-Language:zh-CN,zh;q=0.8",
"Cache-Control:max-age=0",
"Content-Length:603",
"Content-Type:application/x-www-form-urlencoded",
"Host:jwgl.xxxx.edu.cn",
"Origin:http://jwgl.xxxx.edu.cn",
"Proxy-Connection:keep-alive",
"Referer:http://jwgl.xxxx.edu.cn/jwweb/_data/index_LOGIN.aspx",
"Upgrade-Insecure-Requests:1",
"User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3080.5 Safari/537.36",
);
$curl = curl_init();
curl_setopt($curl, CURLOPT_HTTPHEADER, $headers);//設置header
curl_setopt($curl, CURLOPT_URL, $url); //設置url
curl_setopt($curl, CURLOPT_POST, true); // 設置為POST請求
curl_setopt($curl, CURLOPT_RETURNTRANSFER,1); // 將curl_exec()獲取的信息以文件流的形式返回,而不是直接輸出。
curl_setopt($curl, CURLOPT_POSTFIELDS, $post); //傳送的數據
curl_setopt($curl, CURLOPT_COOKIEFILE, $cookie_file); //設置cookie
$result=curl_exec($curl);
//可以輸出當前信息看看是否登錄成功
//$file = dirname(__FILE__)."/../html/test.html";
//$fp = fopen($file,"w");
//fwrite($fp,$result);
//fwrite($fp, '結束');
//fclose($fp);
5. 獲取數據
到此,我們已經登錄成功了,然后我們就可以進入系統提取數據了,比如提取課表信息。
$curl = curl_init();
$url = 'http://jwgl.xxx.edu.cn/jwweb/wsxk/stu_zxjg_rpt.aspx';
curl_setopt($curl, CURLOPT_URL, $url);
curl_setopt($curl, CURLOPT_HEADER, false);
curl_setopt($curl, CURLOPT_RETURNTRANSFER,1);
curl_setopt($curl, CURLOPT_COOKIEFILE, $cookie_file);
$result=curl_exec($curl);
$file = dirname(__FILE__)."/../html/test.html";
$fp = fopen($file,"w");
fwrite($fp,$result);
fclose($fp);
6. 提取數據
當我們得到網頁文本時,並不是我們的最終目的,我們要的是其中除了html標簽之外的數據。關於提取數據,我推薦大家使用symfony/dom-crawler,再配合他的symfony/css-selector來將html文本轉換成結點,通過CSS選擇器方式定位結點獲取相應的數據。