python动态网页爬取——四六级成绩批量爬取

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：

<form method="get" name="form1" id="form1" action="/cet/query">

<table border="0" align="center" cellpadding="0" cellspacing="0">
<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>
  <td align="left" class="font12 color666">请输入15位准考证号</td>
</tr>
<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>
  <td align="left" class="font12 color666">姓名超过3个字，可只输入前3个</td>
</tr>

<tr><td align="center">&nbsp;</td>
  <td colspan="2" align="left"><input type="submit" id="submitCET" class="btn_blue" value="查询" /></td>
  </tr>
</table>
</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：

<TBODY><TR>
<TH>姓名：</TH>
<TD>XXXX</TD></TR>
<TR>
<TH>学校：</TH>
<TD>XXXXXX</TD></TR>
<TR>
<TH>考试类别：</TH>
<TD>英语四级</TD></TR>
<TR>
<TH>准考证号：</TH>
<TD>120135151100101</TD></TR>
<TR>
<TH>考试时间：</TH>
<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

　　

from selenium import webdriver

driver = webdriver.PhantomJS(executable_path='D:\phantomjs-2.1.1-windows\phantomjs.exe')
driver.get(url)
driver.find_element_by_id('zkzh').send_keys(i)
driver.find_element_by_id('xm').send_keys(xm)
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:

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

import re
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：

import MySQLdb

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

# encoding=utf8

import MySQLdb
import re
import time

from selenium import webdriver

# connect mysql,get zkxh and xm
conn = MySQLdb.Connect(host='localhost', user='root', passwd='root', db='cet', port=3306, charset='utf8')
cur = conn.cursor()
curr = conn.cursor()
url = 'http://www.chsi.com.cn/cet/query'


def kaishi(i):
    print i,
    print " start"
    try:
        cur.execute("select name from cet.cet where zkzh=(%s)" % i)
        xm = cur.fetchone()[0]
        print "Name is " + xm
        driver = webdriver.PhantomJS(executable_path='D:\phantomjs-2.1.1-windows\phantomjs.exe')
        driver.get(url)
        driver.find_element_by_id('zkzh').send_keys(i)
        driver.find_element_by_id('xm').send_keys(xm)
        driver.find_elements_by_tag_name('form')[1].submit()
        driver.set_page_load_timeout(10)
        leibie = driver.find_element_by_xpath("//tr[3]/td[1]").text
        leibie2 = str(leibie.encode("utf-8"))
        ss = ""
        if leibie2.decode("utf-8") == '英语四级'.decode("utf-8"):
            ss = 4
        else:
            ss = 6
        # zongfen = driver.find_element_by_xpath("//tr[6]/th[1]").text
        # print zongfen
        # print "===="
        chuli = driver.find_element_by_xpath("//tr[6]/td[1]").text
        print chuli
        chuli2 = str(chuli.encode("utf-8"))
        m = re.findall(r'(\w*[0-9]+)\w*', chuli2)
        sqltxt = "update cet.cet set leibie=(%s),zongfen=(%s),tingli=(%s),yuedu=(%s),xiezuo=(%s) WHERE zkzh=(%s)" % (
            ss, m[0], m[1], m[2], m[3], i)
        cur.execute(sqltxt)
        conn.commit()
        print str(i) + " finish"
    except Exception, e:
        print e
        driver.close()
        time.sleep(10)
        kaishi(i)


# for j1 in range(1201351511001, 1201351512154):
for j1 in range(1201351511007, 1201351512154):
    for j2 in range(0, 3):
        for j3 in range(0, 10):
            j = str(j1) + str(j2) + str(j3)
            if str(j2) + str(j3) == "00":
                print "0.0"
            elif str(j2) + str(j3) == "29":
                kaishi(str(j1) + str(j2) + str(j3))
                j4 = str(j1) + "30"
                kaishi(j4)
            else:
                kaishi(j)
print "END!!!"
cur.close()
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。