中国大学MOOC测验爬取(下)
中国大学MOOC(上)我们讲到获取课程信息。下面我们继续。
获取测验id
当我们获取到课程id
后,接下啦就是测验id
,我们去抓一下包
我发现上面图片这个请求。
当然还要上传payload
表单数据。这个payload
加入post
的data
既可以了。我们分析一下payload的数据
首先
callCount=1,
scriptSessionId=${scriptSessionId}190,
c0-scriptName=CourseBean,
c0-methodName=getLastLearnedMocTermDto
c0-id=0,
这些参数是不变的。
c0-param0=number:1206781242
这里number
后的数字其实就是课程id
(在这说一下,这个课程id我指的是termPanel
这个里面的id
,不是courseId
,就像上图的id: 1206781242
是我说的id
,courseId: 1206446832
不是)
而batchId=1616055609332
中的数字
其实就是13位时间戳
但是这里获取到的数据其实是text/plain
数据,它需要我们转换编码,
text = response.text.encode('utf-8').decode('unicode-escape')
然后用正则匹配,这里我匹配出来测验名字与测验id。
s\d{1,3}\.id=(\d+);s\d{1,3}\.name="(.*?测试.*?)";|s\d{1,3}\.id=(\d+);s\d{1,3}\.name="(.*?测验.*?)";
这个是我匹配的模式。
httpSessionId=4275fb5b78eb47d4a07dd9da3a6a119f
是存在cokie
里面的对应的键是NTESSTUDYSI
获取试卷及答案
接下来我们看一下它是怎样的一个请求。
上图上面3个请求就是测验答案获取的过程,中间有2个我没有标红的请求,它是没用的,不用管。
我们先看第一个请求=>测验试卷
它的请求还是post
请求。
这个是payload
,跟上面的对比一下,这里面httpSessionId
跟上面说的一样,
c0-param0=string:1220197025
这里的数字其实就是测验id
,batchId
还是13位时间戳。其它参数还是定值,不变的。
不过这个返回数据还是text/plain
格式。需要我们转一下码。其实这个数据不一定要获取,如果仅仅是获取试卷不获取答案,那很简单,到这为止,如果要获取答案的话,要获取aid
与tid
,它在返回数据的最后,类似下面这样
dwr.engine._remoteHandleCallback(‘1616055609414’,‘0’,{
aid
:2268659917,answers:null,autoSubmit:false,evaluateVo:null,objectiveQList:s0,showAnalysis:true,subjectiveQList:s1,submitStatus:1,tid
:1220197025,tname:"\u6D4B\u9A8C1",type:2});
这个在我们获取测验与答案会用到。
接下来是上传自己做的测验,这个其实是最难的一步,这是我自己认为的。
这个上传答案的请求方式还是post
请求。我们看一下它的上传参数。
这个其实就是一小小部分,它其实很多,
当我点击Show more
后是这个的好多倍,我一开始是找它处理的js文件,但是没找到,是我太菜了。然后只能自己看这个复写了,最后复写出来了。这里就不多说了,其实就是正则匹配,然后转换什么的。就是数据太多,麻烦一点,别的没什么。
接下来就是我们请求测验与答案
了。
它的请求也是post请求,请求的url
与请求测验的url
相同。我们主要看payload
,
这里c0-param1=number:2268659917
中的数字就是上面的aid
,c0-param0=string:1220197025
对应上面tid
,其它的跟上面讲的一样,就这两个单独讲一下。然后我们就可以获取到测验及其答案了。它的返回数据格式跟上面一样,那我们操作也是一样的,下面就是获取里面的内容,我们用的是正则。
好了,本期中国大学MOOC测验爬取结束啦。觉得我写的还
凑合就关注一下Ajian,顺便关注一下我的微信公众号
(spiders),也可以扫一下下面的二维码。
我们下期见。