Python爬虫实战---抓取图书馆借阅信息
原创作品，引用请表明出处：Python爬虫实战---抓取图书馆借阅信息
前段时间在图书馆借了很多书，借得多了就容易忘记每本书的应还日期，老是担心自己会违约，影响日后借书，而自己又懒得总是登录到学校图书馆借阅系统查看，于是就打算写一个爬虫来抓取自己的借阅信息，把每本书的应还日期给爬下来，并写入txt文件，这样每次忘了就可以打开该txt文件查看，每次借阅信息改变了，只要再重新运行一遍该程序，原txt文件就会被新文件覆盖，里面的内容得到更新。
用到的技术：
Python版本是 2.7 ，同时用到了urllib2、cookielib、re三个模块。urllib2用于创建请求(request)，并抓取网页信息，返回一个类似于文件类型的response对象；cookielib用于储存cookie对象，以实现模拟登录功能；re模块提供对正则表达式的支持，用于对抓取到的页面信息进行匹配，以得到自己想要的信息。
抓取一个页面：
使用urllib2简单抓取一个网页的过程非常简单：
import urllib2
response = urllib2.urlopen("http://www.baidu.com")
html = response.read()
urllib2中的urlopen()方法，看其字面意思就知道是打开一个URL(uniform resource locator)地址，上面例子传入的时百度首页的地址，遵循HTTP协议，除了http协议外，urlopen()方法还可以打开遵循ftp、file协议的地址，如：
response = urllib2.urlopen("ftp://example.com")
除URL参数外，urlopen()方法还接受data和timeout参数：
response = urllib2.urlopen(url ,data ,timeout)
其中data是打开一个网页时需要传入的数据，比如打开一个登录界面时往往需要传入用户名和密码等信息，在下文登录图书馆系统时将会看到其用法；timeout是设置超时时间，即超过一定时间页面无响应即报错；在urlopen()方法中，data和timeout不是必须的，即可填可不填，注意：当页面需要有数据传入时，data是必需的。
可以看到，在打开一个网页时，有时往往需要传入多个参数，再加上HTTP协议是基于请求(request)和应答(response)的，即客户端发出请求(request)，服务器端返回应答(response)，所以在使用urlopen()方法时，往往是构造一个request对象作为参数传入，该request对象包括url、data、timeout、headers等信息：
import urllib2
request = urllib2.Request("http://www.baidu.com")
response = urllib2.urlopen(request)
html = response.read()
这段代码得到的结果和上面得到的结果一样，但是在逻辑上显得更明确、清晰。
Cookie的使用：
在访问某些网站时，该网站需要在客户端本地储存一些数据、信息(经过加密)，并在接下来的请求(request)中返回给服务器，否则服务器将拒绝该请求，这些数据即存储在本地的cookie中。例如，访问学校图书馆系统时，需进行登录，等登录完成之后，服务器端将会在本地储存一些经过加密的数据在cookie中，当客户端发送查询借阅信息的请求(request)时，会连带cookie里面的数据一起发送给服务器，服务器确定cookie信息后允许访问，否则拒绝该请求。
Cookielib模块提供了CookieJar类用于捕捉和储存HTTP 的cookie数据，所以要创建一个cookie只要创建一个CookieJar实例即可：
import cookielib
cookie = coolielib.CookieJar()
创建cookie了就万事大吉了吗？没那么简单，我们要完成的操作是发送登录请求、记录cookie、再发送读取借阅信息的请求并向服务器反馈cookie信息，要完成这一系列的操作，原来的urlopen()方法已不能胜任，幸运的是，urllib2模块还提供了一个OpenerDirector类，可以接受一个cookie处理器为参数，实现上述功能，而这个cookie处理器则可以通过HTTPCookieProcessor类接受一个cookie对象实例化后得到。即先通过HTTPCookieProcessor实例化得到一个cookie处理器handler，再将此处理器headler作为参数传入OpenDirector实例化得到一个能捕捉cookie数据的opener，代码如下：
import urllib2
import cookielib cookie = cookielib.CookieJar()
handler = urllib2.HTTPCookieProcessor(cookie)
opener = urllib2.build_opener(handler)
response = opener.open("http://www.baidu.com")
登录图书馆系统：
至此，我们就可以进行图书馆借阅信息的抓取了。来看看hit图书馆登录界面：
首先，在Firefox浏览器下，借助httpfox插件进行网络监听，看看登录此页面需要向服务器发送哪些数据：
输入登录账号和密码，打开httpfox插件，点击start开始监听，然后点击登陆按钮进行登陆：
上图便是登陆之后的页面，以及整个登陆过程捕捉到的信息。选择第一条捕捉到的信息，点击下方数据头(Headers)选项卡，可以看见登录此页面需要发送的一些数据。有一些网站，对于访问它们的请求需要检查数据头(Headers)，只有数据头信息符合要求才允许访问。在登录图书馆系统时，可以先尝试不发数据头，如果能顺利访问则说明没有Headers检查这一环节。数据发送的方法为GET，即只需要将要发送的数据信息加在登陆请求的后面。在Headers选项卡的Request-Line属性中，问号前面的即为登陆请求"GET /lib/opacAction.do"，加上IP地址之后真实的请求URL为"http://202.118.250.131/lib/opacAction.do"，问号后面的即为登陆需要的数据，包括账号、密码等信息。
接下来点开QueryString选项卡，查看由GET方法传送的数据：
需要传送的数据包括5项，以字典类型将其储存，经过urlencode()方法编码之后直接加在登陆URL之后即可，所以最后向服务器发送的请求(request)为：
import urllib loginURL = 'http://202.118.250.131/lib/opacAction.do'
queryString = urllib.urlencode({
'method':'DoAjax',
'dispatch':'login',
'registerName':'',
'rcardNo':'16S137028 0',
'pwd':'******'
})
requestURL = self.loginURL + '?' + self.queryString
得到请求URL之后就可以模拟登陆图书馆系统了，在模拟登陆的过程中需要用到前面讲到的cookie，否则无法进行后续的访问。在编代码过程中，定义一个library类，使访问过程变成一个面向对象的过程，可以根据需要实例化多个library对象，分别对多个实例进行操作。首先分析，该library类应该有一个初始化方法(__init__)以及一个获取页面的方法(getPage)，在打开网页是，应使用上文提到opener实例，自动捕获并储存cookie:
import urllib
import urllib2
import cookielib
import re class library:
def __init__(self):
self.loginURL='http://202.118.250.131/lib/opacAction.do'
self.queryString = urllib.urlencode({
'method':'DoAjax',
'dispatch':'login',
'registerName':'',
'rcardNo':'16S137028 0',
'pwd':'******'
})
self.requestURL = self.loginURL + '?' + self.queryString
self.cookies=cookielib.CookieJar()
self.handler=urllib2.HTTPCookieProcessor(self.cookies)
self.opener=urllib2.build_opener(self.handler)
def getPage(self):
request1 = urllib2.Request(self.requestURL)
request2 = urllib2.Request(' http://202.118.250.131/lib/opacAction.do?method=init&seq=301 ')
result = self.opener.open(request1)
result = self.opener.open(request2)
return result.read() lib = library()
print lib.getPage()
上述代码中，先是进行登录 result = self.opener.open(request1) ,登录没有异常，说明登录过程不用检查数据头；然后再用此 self.opener 打开借阅查询页面
http://202.118.250.131/lib/opacAction.do?method=init&seq=301 ，所以这段代码将打印借阅查询界面的HTML代码，下图是部分打印结果：
获取借阅信息：
抓取了页面信息之后，接下来就是根据自己的需要匹配、储存信息了。在匹配页面信息时，这里用的是正则表达式的方式进行匹配，正则表达式的支持由Python的Re模块提供支持，关于如何使用正则表达式，可以参考这里：Python正则表达式指南
使用Re模块进行匹配时，往往先将正则表达式字符串编译(compile)成一个Pattern实例，再利用Re模块中的re.findall(pattern , string)，将字符串string中和正则表达式匹配的数据以列表的形式返回。如果在pattern中有超过一个组(group)，则返回的结果将是一个元组列表，如此正则表达式： <table.*?id="tb.*?width="50%"><font size=2>(.*?)</font>.*?<tr>.*?<tr>.*?<font size=2>(.*?)</font>.*?<font size=2>(.*?)</font>.*?</TABLE> ，式中，每一个 (.*?) 代表一个组，即此式中有3个组，则匹配时，返回一个元组列表，其中每一个元组又有3个数据。
在library类中，定义一个获取信息的方法(getInformation)，以通过正则表达式匹配的方式获取所需数据：
def getInformation(self):
page = self.getPage()
pattern = re.compile('<table.*?id="tb.*?width="50%"><font size=2>(.*?)</font>.*?<tr>.*?<tr>.*?'+
'<font size=2>(.*?)</font>.*?<font size=2>(.*?)</font>.*?</TABLE>',re.S)
items = re.findall(pattern,page)
获取所需数据之后，接下来就是将数据写入文本文件(txt)储存，以读写模式(W+)打开一个文件(library.txt)，然后通过write()方法将数据一条一条的写入文件。不过，在信息写入之前，需要对抓取到的信息做一些小处理，刚才说过了，findall()方法返回的是一个元组列表，即[[a,b,c],[d,e,f],[g,h,i]]的形式，write()方法是不能对元组进行操作的，所以需要手动将元组翻译成一条条字符串，再保存到一个列表里，通过遍历将每条字符串写入文件：
def getInformation(self):
page = self.getPage()
pattern = re.compile('<table.*?id="tb.*?width="50%"><font size=2>(.*?)</font>.*?<tr>.*?<tr>.*?'+
'<font size=2>(.*?)</font>.*?<font size=2>(.*?)</font>.*?</TABLE>',re.S)
items = re.findall(pattern,page) contents = []
for item in items:
content = item[0]+' from '+item[1]+' to '+item[2]+'\n'
contents.append(content)
self.writeData(contents)
def writeData(self,contents):
file = open('libraryBooks.txt','w+')
for content in contents:
file.write(content)
file.close()
至此，整个爬虫就算完成了，下面贴上完整代码：
大功告成：
__author__='Victor'
#_*_ coding:'utf-8' _*_
import urllib
import urllib2
import cookielib
import re class library:
def __init__(self):
self.loginURL='http://202.118.250.131/lib/opacAction.do'
self.queryString = urllib.urlencode({
'method':'DoAjax',
'dispatch':'login',
'registerName':'',
'rcardNo':'16S137028 0',
'pwd':'******'
})
self.requestURL = self.loginURL + '?' + self.queryString
self.cookies=cookielib.CookieJar()
self.handler=urllib2.HTTPCookieProcessor(self.cookies)
self.opener=urllib2.build_opener(self.handler)
def getPage(self):
request1 = urllib2.Request(self.requestURL)
request2 = urllib2.Request('http://202.118.250.131/lib/opacAction.do?method=init&seq=301')
result = self.opener.open(request1)
result = self.opener.open(request2)
return result.read()
def getInformation(self):
page = self.getPage()
pattern = re.compile('<table.*?id="tb.*?width="50%"><font size=2>(.*?)</font>.*?<tr>.*?<tr>.*?'+
'<font size=2>(.*?)</font>.*?<font size=2>(.*?)</font>.*?</TABLE>',re.S)
items = re.findall(pattern,page) contents = []
for item in items:
content = item[0]+' from '+item[1]+' to '+item[2]+'\n'
contents.append(content)
self.writeData(contents)
def writeData(self,contents):
file = open('libraryBooks.txt','w+')
for content in contents:
file.write(content)
file.close() lib = library()
lib.getInformation()
下面就是抓到的借阅信息，不得不说效果不怎么样，不过还是凑合着看把：
原创作品，引用请表明出处：Python爬虫实战---抓取图书馆借阅信息