一个基于nodejs的青果教务系统的爬虫

今年学习了几个月nodejs。暑假期间，闲的无事，都说学习爬虫一定要爬一爬教务系统，不过更多的人爬教务系统用的都是python，正好最近在学nodejs，于是就想，我可以用nodejs实现一个吗？说干就干。

我有两种思路：一是利用selenium之类的自动化测试来实现爬虫，二是分析教务系统的请求，仿造浏览器请求来实现这个爬虫。于是我一 一按照这两种思路去实现了爬虫。

这里说一说分析教务系统请求的思路，自动化测试就不再说了。

 

首先我们打开教务系统的首页（这里的例子是山西大学教务网络管理系统--其它青果教务系统大同小异）

打开F12开发者工具，进入Network选项卡，勾选preserve log，以方便我们记录每一步网络请求。

我们要实现获取成绩获取课表等等操作，首先第一步就是要登录教务系统（也是相对获取成绩之类操作最难的一步）。

下来我们来分析一下登录的过程。

 

 整个主页的请求可以大致简化为：

1.get：http://bkjw.sxu.edu.cn/，同时获取到cookie

2.get：http://bkjw.sxu.edu.cn/_data/login.aspx，带上第一步获取的cookie值

3.get：http://bkjw.sxu.edu.cn/sys/ValidateCode.aspx，带上第一步获取的cookie值，获取到特定的验证码

4.post：http://bkjw.sxu.edu.cn/_data/login.aspx，向这个地址发送post请求，同时带上表单数据

这里的cookie记录的是服务器端的session，关于cookie和session，请阅读http协议相关部分

2-3两者间隔时间不能太长，否则会失败

大致一个登录的过程就是这样。

下来我们来分析一下发送的表单数据。

首先在浏览器里登录教务系统，获得一个post请求的记录。

我们发现总共有以下几个数据：

__VIEWSTATE:

这个数据是从哪里获得的呢？

我们再回到表单处，发现有这么一个隐藏的表单，它的value值就是我们所需要的__VIEWSTATE

我们再看发送的表单，发现原来应该是密码和验证码的地方是空，却多了两个dsdsdsdsdxcxdfgfg和fgfggfdgtyuuyyuuckjg

这样看应该是密码和验证码被加密了。

我们就来看看究竟是怎样的加密过程。

function chkpwd(obj) { 
 if(obj.value!='')  {    
 var s=md5(document.all.txt_asmcdefsddsd.value+md5(obj.value).substring(0,30).toUpperCase()+'10108').substring(0,30).toUpperCase();   document.all.dsdsdsdsdxcxdfgfg.value=s;
} else {
 document.all.dsdsdsdsdxcxdfgfg.value=obj.value;} 
}  function chkyzm(obj) {  
if(obj.value!='') { 
  var s=md5(md5(obj.value.toUpperCase()).substring(0,30).toUpperCase()+'10108').substring(0,30).toUpperCase();  
}}

由于前端代码我们可以看见，由此可以看到它的加密过程，而且我们的后端用的是nodejs，所以我们只需要小小的修改一下即可（等会讨论）。

到现在我们的整个登录过程就分析完毕了，下面我们开始实现关键过程。

首先先说这个密码的加密和验证码的加密。

我们创建了一个类叫做spider

利用nodejs的crypto模块去实现md5加密

var  crypto  =  require("crypto");
function md5(text){
    return crypto.createHash('md5').update(text).digest('hex');
}

对上面的加密方式稍加修改

//md5加密
spider.prototype.secret=function(option){
    if(option.type==="password"){
        return md5(option.id + md5(option.pwd).substring(0, 30).toUpperCase() + option.schoolNumber).substring(0, 30).toUpperCase();
    }else if(option.type==="check"){
        return md5(md5(option.checkNumber.toUpperCase()).substring(0, 30).toUpperCase() + option.schoolNumber).substring(0, 30).toUpperCase();
    }
};

这里我们接受一个对象，形如

{
            type:'check',//这里是要得到的md5码类型，check或者password，验证码或是密码
            id:'00000000000',//学号
            pwd:'000000',//密码
            schoolNumber:'10108',//使用青果教务系统的学校代号
            checkNumber:checkNumber//验证码
        }

其次说一说如何获得viewstate的值

spider.prototype.getViewState=function(cookie,callback){
    var that=this;
    console.log("开始获取viewstate");
    console.log(`使用的Cookie是${cookie}`);
    var data='';
    var req=http.request({
        hostname:'bkjw.sxu.edu.cn',
        port:80,
        path:'/_data/login.aspx',
        method:'GET',
        headers:{
             'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
             'Accept-Encoding':'gzip, deflate',
             'Accept-Language':'zh-CN,zh;q=0.8',
             'Cache-Control':'no-cache',
             'Connection':'keep-alive',
             'Cookie':`${cookie}`,
             'Host':'bkjw.sxu.edu.cn',
             'Pragma':'no-cache',
             'Referer':'http://bkjw.sxu.edu.cn',
             'Upgrade-Insecure-Requests':'1',
             'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'
        }
    },(res)=>{
        res.setEncoding('utf-8');
        res.on("data",(chunk)=>{
            data+=chunk;
        });
        res.on("end",()=>{
            console.log("数据接收完毕");
            console.log(data);
            var $=cheerio.load(data);
            that.viewstate=$("input[name='__VIEWSTATE']").val();
            callback();
        });
    });
    req.on("error",(err)=>{
        console.log(err);
    });
    req.end();
    //console.log(data);
};

这里我用了cheerio去解析源文件来取得我们所要的值。

如何获取cookie的值

 

spider.prototype.getWeb=function(callback){
        var that=this;
         console.log(this.urls);
        superagent.get(this.urls)
            .end(function(err,res) {
                //console.log(that.urls);
                that.theCookie = res.header['set-cookie'][0].split(";")[0];
                console.log(`
--------------------------
-------------------------
${that.theCookie}
------------------------
------------------------`);
               // var $=cheerio.load(res.text);
                //var inputs=$('input');
               // console.log(res.text);
                setTimeout(()=>{
                    callback();
                },500);
            })
    };

关于异步

由于整个过程中有些步骤要等待上一步完成，但是在nodejs中会异步进行完成，所以在写的时候出现了还没有获取cookie就开始进行了请求等等异步问题，我尝试使用promise，但是发现promise并不能完全达到我的需要，最后，不得已用了setTimeout和事件来完成。（急待改进）

这里大体分析了一下整个爬虫的思路和部分实现过程。

我在GitHub上放了我实现整个青果教务系统爬虫的源代码：https://github.com/cuijinyu/qingguospider

使用selenium实现的版本:https://github.com/cuijinyu/spiderForSXU

现在可以实现登录过程，但是爬取课表等等还暂时未完成，获取成绩还有一些bug，我将会尽快改正。

现在有好几个函数依然是仅适用于山西大学教务网络管理系统，我将会尽快将它们改成适合所有青果系统的函数。

新人一只，希望大家可以给我提出意见。