python动态网页爬取——四六级成绩爬取

需求：

四六级成绩查询网站我所知道的有两个：学信网（http://www.chsi.com.cn/cet/）和99宿舍（http://cet.99sushe.com/），这两个网站采用的都是动态网页。我使用的是学信网，好了，网站截图如下：

网站的代码如下：

  1 <form method="get" name="form1" id="form1" action="/cet/query">  2   3 <table border="0" align="center" cellpadding="0" cellspacing="0">  4 <tr><td align="right">准考证号：</td><td align="left"><input name="zkzh" value="112008000463141" id="zkzh" type="text" size="18" maxlength="15" class="input_text input_t_l" /></td>  5   <td align="left" class="font12 color666">请输入15位准考证号</td>  6 </tr>  7 <tr><td align="right">姓名：</td><td align="left"><input name="xm" value="啊啊" id="xm" type="text" size="18" maxlength="50" class="input_text input_t_l" /></td>  8   <td align="left" class="font12 color666">姓名超过3个字，可只输入前3个</td>  9 </tr> 10  11 <tr><td align="center"> </td> 12   <td colspan="2" align="left"><input type="submit" id="submitCET" class="btn_blue" value="查询" /></td> 13   </tr> 14 </table> 15 </form> 

由图中可以看出表单提交的链接为/cet/query，即：http://www.chsi.com.cn/cet/query，好了，填写表单和结果如下：

但是，点击查看源代码之后发现，没有成绩，即代码仍是上面那个，之后按F12查看代码：

  1 <TBODY><TR>  2 <TH>姓名：</TH>  3 <TD>XXXX</TD></TR>  4 <TR>  5 <TH>学校：</TH>  6 <TD>XXXXXX</TD></TR>  7 <TR>  8 <TH>考试类别：</TH>  9 <TD>英语四级</TD></TR> 10 <TR> 11 <TH>准考证号：</TH> 12 <TD>120135151100101</TD></TR> 13 <TR> 14 <TH>考试时间：</TH> 15 <TD>2015年06月</TD></TR>总分：</TH><TD class=fontBold vAlign="top"><SPAN class=colorRed>403 </SPAN><BR><SPAN class=color666>听力：</SPAN> 132 <BR><SPAN class=color666>阅读：</SPAN> 147 <BR><SPAN class=color666>写作与翻译：</SPAN> 124 </TD></TR> 

该代码显示了成绩， 可以知道，该网站使用的是动态网页，用的JavaScript或者Ajax.js还是其他的我就不知道了0.0。上面为需求。

前言：使用过BeautifulSoup爬取过，但是BeautifulSoup是爬取不了动态网页的，上各种论坛找各种资料，用了n种东西，scapy,pyqt等等，走了真心不少弯路，不是不行，应该是我不会用，最终用了selenium和phantomjs，这两个应该也是目前最流行的爬虫模块了吧。

一、导入selenium和phantomjs

 1 from selenium import webdriver 2  3 driver = webdriver.PhantomJS(executable_path='D:/phantomjs-2.1.1-windows/phantomjs.exe') 4 driver.get(url) 5 driver.find_element_by_id('zkzh').send_keys(i) 6 driver.find_element_by_id('xm').send_keys(xm) 7 driver.find_elements_by_tag_name('form')[1].submit() 

代码说明：

3.selenium可以加载很多驱动，比如Chrome、FireFox等，这里需要有这两个浏览器和驱动才行，折腾了一下，网上说Phantomjs是较好的了

5、6、7分别是准考证号，姓名和提交

二、字符处理

提交之后就可以直接查找了:

 1 print driver.find_element_by_xpath("//tr[3]/td[1]").text 2 print driver.find_element_by_xpath("//tr[6]/td[1]").text 

代码说明：

1.查看姓名

2.查看分数及其具体成绩

打印之后为：

 姓名 403 听力 132 阅读 147 写作 142 

之后要对分数进行字符串处理，选取各部分的数字，这里我们采用re模块：

 1 import re 2 m = re.findall(r'(/w*[0-9]+)/w*', chuli2) 

其中m是数组，输出的是["403","132","147","142"]

三、数据库

我们学校也不知说很渣还是人性化，反正公布了全校的四六级准考证号，当然，是excel的，需要导入mysql数据库，打开Excel之后，我发现微软大法和Oracle真是牛逼啊，Excel365居然有mysql workbench连接部分

数据库代码如下：

  1 import MySQLdb  2   3 conn = MySQLdb.Connect(host='localhost', user='root', passwd='root', db='cet', port=3306, charset='utf8')  4 cur = conn.cursor()  5 curr = conn.cursor()  6 cur.execute("select name from cet.cet where zkzh=(%s)" % i)  7 xm = cur.fetchone()[0]  8 print "Name is " + xm  9 sqltxt = "update cet.cet set leibie=(%s),zongfen=(%s),tingli=(%s),yuedu=(%s),xiezuo=(%s) WHERE zkzh=(%s)" % ( 10             ss, m[0], m[1], m[2], m[3], i) 11 cur.execute(sqltxt) 12 conn.commit() 13 cur.close() 14 conn.close() 

代码说明：

3.python连接数据库代码

6.连接数据库取得姓名部分

9.这行我好无语啊，使用‘“+ss+”’这样的写法一直报错，最终找了半天资料，这个写法我不太喜欢，但是凑合着用吧。

12.记得一定要提交事务！！！commit（）！！！不然是没有效果的

四、使用代理服务器（保留以后写）

运行了一段时间之后，大概抓了几百人的吧，然后就出现要求验证码了，解决办法只能处理验证码或者使用代理服务器了，这部分继续加强学习再弄出来了↖(^ω^)↗

五、源代码和效果

  1 # encoding=utf8  2   3 import MySQLdb  4 import re  5 import time  6   7 from selenium import webdriver  8   9 # connect mysql,get zkxh and xm 10 conn = MySQLdb.Connect(host='localhost', user='root', passwd='root', db='cet', port=3306, charset='utf8') 11 cur = conn.cursor() 12 curr = conn.cursor() 13 url = 'http://www.chsi.com.cn/cet/query' 14  15  16 def kaishi(i): 17     print i, 18     print " start" 19     try: 20         cur.execute("select name from cet.cet where zkzh=(%s)" % i) 21         xm = cur.fetchone()[0] 22         print "Name is " + xm 23         driver = webdriver.PhantomJS(executable_path='D:/phantomjs-2.1.1-windows/phantomjs.exe') 24         driver.get(url) 25         driver.find_element_by_id('zkzh').send_keys(i) 26         driver.find_element_by_id('xm').send_keys(xm) 27         driver.find_elements_by_tag_name('form')[1].submit() 28         driver.set_page_load_timeout(10) 29         leibie = driver.find_element_by_xpath("//tr[3]/td[1]").text 30         leibie2 = str(leibie.encode("utf-8")) 31         ss = "" 32         if leibie2.decode("utf-8") == '英语四级'.decode("utf-8"): 33             ss = 4 34         else: 35             ss = 6 36         # zongfen = driver.find_element_by_xpath("//tr[6]/th[1]").text 37         # print zongfen 38         # print "====" 39         chuli = driver.find_element_by_xpath("//tr[6]/td[1]").text 40         print chuli 41         chuli2 = str(chuli.encode("utf-8")) 42         m = re.findall(r'(/w*[0-9]+)/w*', chuli2) 43         sqltxt = "update cet.cet set leibie=(%s),zongfen=(%s),tingli=(%s),yuedu=(%s),xiezuo=(%s) WHERE zkzh=(%s)" % ( 44             ss, m[0], m[1], m[2], m[3], i) 45         cur.execute(sqltxt) 46         conn.commit() 47         print str(i) + " finish" 48     except Exception, e: 49         print e 50         driver.close() 51         time.sleep(10) 52         kaishi(i) 53  54  55 # for j1 in range(1201351511001, 1201351512154): 56 for j1 in range(1201351511007, 1201351512154): 57     for j2 in range(0, 3): 58         for j3 in range(0, 10): 59             j = str(j1) + str(j2) + str(j3) 60             if str(j2) + str(j3) == "00": 61                 print "0.0" 62             elif str(j2) + str(j3) == "29": 63                 kaishi(str(j1) + str(j2) + str(j3)) 64                 j4 = str(j1) + "30" 65                 kaishi(j4) 66             else: 67                 kaishi(j) 68 print "END!!!" 69 cur.close() 70 conn.close() 

参考资料：

1.http://my.oschina.net/u/2420420/blog/489205?fromerr=MX68uajh

2.http://www.cnblogs.com/hearzeus/p/5157016.html

总结 ： python的字符串处理细节真的很重要，动不动就输出错误，还有IDE的编码不一样，记得还有个系统编码，字符编码，环境编码，数据库编码等等都要一致！！！

ps后记：1.这几天别人各种同学聚会，然而，自己也总是那么“幸运”，中学所碰到的班级对外特活跃特团结的样子，但是初中高中毕业那么久了，聚会是几乎没有过。。。。昨晚梦见了那些人那些事，也不知道他们怎么样了。昨天有一篇新闻报道了一大学一宿舍毕业20年，年年聚会的那样子真好。

2.对于爱情的烦恼，莫过于明明很喜欢却发现自己和她完全不是一个“世界”的人，然后也很少找她说话，再然后就是用“嗯”“哦”来回复她的主动聊天，再然后联系越来越少，再然后连门都不敢出了，怕这个世界，有时虽然也会自嘲“活该孤独终老”，但是有啥办法呢？过年了，回到家，过着越来越淡的年，看着一同长大的人，吃着几十年一样的菜和饭，难不得矫情一下。