人行征信第三张报告的信息提取
提取第三张报告的各种信息。使用正则和xpath方法。
# coding=utf8 import re,json,os from lxml import etree from collections import OrderedDict from common import html,LoggerUntil,handle_parse_exception from html_processor import HtmlProcessor logger = LoggerUntil(name="crcc_paser").getlog(logfilename='crcc_paser.log',loglevel=2,add_StreamHandler=1) class HtmlFileMixin(object): def save_to_file(self): with open(self.create_file(),'wb') as f: f.write(self.html) def create_file(self): if not os.path.exists('htmldir'): os.mkdir('htmldir') html_file_name = 'htmldir' + '/' + self.name + '.html' return html_file_name class CrccPaser(HtmlFileMixin): def __init__(self,html,name): self.html = html self.name = name self.data = OrderedDict() self.data['name'] = name self.selector = None self.text = self._get_text() self.get_selector() def _get_text(self): text = self.html.decode('utf8') return text def get_selector(self): self.selector = etree.HTML(self.text) def extract_user_info(self): self.data['report_no'] = re.search(u'报告编号：(.*?)</strong>', self.text).group(1).strip() self.data['query_time'] = re.search(u'查询时间：(.*?)</strong>', self.text).group(1).strip() self.data['report_time'] = re.search(u'报告时间：(.*?)</strong>', self.text).group(1).strip() self.data['crcc_name'] = re.search(u'姓名：(.*?)</strong>', self.text).group(1).strip() self.data['id_type'] = re.search(u'证件类型：(.*?)</strong>', self.text).group(1).strip() self.data['id_no'] = re.search(u'证件号码：(.*?)</strong>', self.text).group(1).strip() def extract_summary_information(self): account_num = re.search( u'<tr>\s*?<td align="left" class="p">\s*? 账户数\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?</tr>', self.text).groups() self.data['account_num'] = self._init_num_dict(account_num) uncleared_num = re.search( u'<tr>\s*?<td align="left" class="p">\s*? 未结清/未销户账户数\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?</tr>', self.text).groups() self.data['uncleared_num'] = self._init_num_dict(uncleared_num) overdue_num = re.search( u'<tr>\s*?<td align="left" class="p">\s*? 发生过逾期的账户数\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?</tr>', self.text).groups() self.data['overdue_num'] = self._init_num_dict(overdue_num) overdue90_num = re.search( u'<tr>\s*?<td align="left" class="p">\s*? 发生过90天以上逾期的账户数\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?</tr>', self.text).groups() self.data['overdue90_num'] = self._init_num_dict(overdue90_num) assure_num = re.search( u'<tr>\s*?<td align="left" class="p">\s*? 为他人担保笔数\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?<td align="center" class="p">\s*(.*?)\s*?</td>\s*?</tr>', self.text).groups() self.data['assure_num'] = self._init_num_dict(assure_num) @staticmethod def _init_num_dict(num_tuple): num_dict = {} num_dict['credit_card'],num_dict[' home_loans'],num_dict['other_loans'] = num_tuple return num_dict def extract_all_loan_information(self): all_loan_information = re.findall(u'<li\s*?style="list-style-type: decimal; list-style-position: outside">\s*?(\S*?)\s*?</li>', self.text) self.data['all_loan_information'] = all_loan_information def extract_public_records(self): if not re.search(u'系统中没有您最近5年内的欠税记录、民事判决记录、强制执行记录、行政处罚记录及电信欠费记录。',self.text): public_records=self.selector.xpath('//table[@align="center"]//table[5]/tbody/tr[3]/td')[0].strip() # 还不能确定具体格式,有可能造成解析中断出错 #TODO else: public_records=[u'系统中没有您最近5年内的欠税记录、民事判决记录、强制执行记录、行政处罚记录及电信欠费记录。'] self.data['public_records'] = public_records def extract_query_records(self): if not re.search(u'系统中没有您的信用报告最近2年被查询的记录。',self.text): #query_records=selector.xpath('//table[@align="center"]//table[6]/tbody/tr[3]/td')[0].strip() query_records = re.findall( u'<tr align="center">[\s\S]*?td class="p">\s*(.*?)\s*?</td>[\s\S]*?<td class="p">\s*(.*?日)\s*?</td>[\s\S]*?<td class="p">\s*(.*?)\s*?</td>[\s\S]*?<td class="p">\s*(.*?)\s*?</td>[\s\S]*?</tr>', self.text) query_records = self._init_query_records(query_records) else: query_records =[u'系统中没有您的信用报告最近2年被查询的记录。'] self.data['query_records'] = query_records @staticmethod def _init_query_records(query_records): """ :type query_records : list """ query_records_list = [] for record_tuple in query_records: query_record_dict = OrderedDict() query_record_dict['no'], query_record_dict['query_date'], query_record_dict['query_person'],query_record_dict['query_reason'] = record_tuple query_records_list.append(query_record_dict) return query_records_list @handle_parse_exception def extract_all(self): self.extract_user_info() self.extract_summary_information() self.extract_all_loan_information() self.extract_public_records() self.extract_query_records() def extract_crcc(html_str,name): htmlProcessor = HtmlProcessor(html_str,name) htmlProcessor.save_to_file() # 保存html文件 crccPaser = CrccPaser(html_str, name) # crccPaser.save_to_file() crccPaser.extract_all() logger.info(json.dumps(crccPaser.data, ensure_ascii=False)) # TODO return json.dumps(crccPaser.data, ensure_ascii=False) if __name__ == '__main__': extract_crcc(html,'小明5')
其中html第三张报告的页面源码字符串。
结果是
{"name": "小明5", "report_no": "2017122200004891965680", "query_time": "2017.12.22 11:12:32", "report_time": "2017.12.22 18:38:18", "crcc_name": "小明5", "id_type": "身份证", "id_no": "**************4337", "account_num": {" home_loans": "0", "other_loans": "2", "credit_card": "0"}, "uncleared_num": {" home_loans": "0", "other_loans": "0", "credit_card": "0"}, "overdue_num": {" home_loans": "0", "other_loans": "0", "credit_card": "0"}, "overdue90_num": {" home_loans": "0", "other_loans": "0", "credit_card": "0"}, "assure_num": {" home_loans": "0", "other_loans": "0", "credit_card": "0"}, "all_loan_information": ["2012年8月23日国家开发银行湖北省分行发放的6,000元（人民币）个人助学贷款，2014年10月已结清。", "2011年11月19日国家开发银行湖北省分行发放的6,000元（人民币）个人助学贷款，2014年10月已结清。"], "public_records": ["系统中没有您最近5年内的欠税记录、民事判决记录、强制执行记录、行政处罚记录及电信欠费记录。"], "query_records": [{"no": "1", "query_date": "2017年12月4日", "query_person": "本人", "query_reason": "本人查询（互联网个人信用信息服务平台）"}, {"no": "2", "query_date": "2017年11月20日", "query_person": "本人", "query_reason": "本人查询（互联网个人信用信息服务平台）"}, {"no": "3", "query_date": "2017年11月6日", "query_person": "本人", "query_reason": "本人查询（互联网个人信用信息服务平台）"}, {"no": "4", "query_date": "2017年10月20日", "query_person": "本人", "query_reason": "本人查询（互联网个人信用信息服务平台）"}, {"no": "5", "query_date": "2017年10月10日", "query_person": "本人", "query_reason": "本人查询（互联网个人信用信息服务平台）"}, {"no": "6", "query_date": "2017年9月27日", "query_person": "本人", "query_reason": "本人查询（互联网个人信用信息服务平台）"}, {"no": "7", "query_date": "2017年9月18日", "query_person": "本人", "query_reason": "本人查询（互联网个人信用信息服务平台）"}]}
可以发送到后端py java提取，也可以在webview客户端提取，客户端提取js代码如下。
/** * Created by wj49476 on 201/3/20. */ function extractReport() { //消除空格 String.prototype.trim = function() { return this.replace(/(^\s*)|(\s*$)/g, ""); }; //正则防止出错 String.prototype.match2 = function(regObj) { var matchArray = this.match(regObj); if (matchArray && matchArray.length == 2){ return matchArray[1]; } else{ return ''; } }; //数组取下标，使值不为undefined Array.prototype.get = function(n) { value = this[n]; if (value === undefined){ console.debug("取下标错误"); value = ''; } return value; }; //css选择器 function getInnerText( cssselector){ var element = document.querySelector(cssselector); if(element){ return element.innerText; } else { console.warn("没有找到 " + cssselector + " 的元素"); return ""; } } var data = {}; data['SummaryInformation'] = {}; var htmlStr = document.body.outerHTML; function extractUserInfo() { data["reportNo"] = htmlStr.match2(/报告编号：(.*?)<\/strong>/); data["queryTime"] = htmlStr.match2(/查询时间：(.*?)<\/strong>/); data['reportTime'] = htmlStr.match2(/报告时间：(.*?)<\/strong>/); data['crccName'] = htmlStr.match2(/姓名：(.*?)<\/strong>/); data['idType'] = htmlStr.match2(/证件类型：(.*?)<\/strong>/); data['idNo'] = htmlStr.match2(/证件号码：(.*?)<\/strong>/); } function extractSummaryInformation() { var accountNum = htmlStr.match(/<tr>\s*?<td align="left" class="p">\s*? 账户数\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<\/tr>/); data['SummaryInformation']['accountNum'] = _initNumDict(accountNum); var unclearedNum = htmlStr.match(/<tr>\s*?<td align="left" class="p">\s*? 未结清\/未销户账户数\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<\/tr>/); data['SummaryInformation']['unclearedNum'] = _initNumDict(unclearedNum); var overdueNum = htmlStr.match(/<tr>\s*?<td align="left" class="p">\s*? 发生过逾期的账户数\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<\/tr>/); data['SummaryInformation']['overdueNum'] = _initNumDict(overdueNum); var overdue90Num = htmlStr.match(/<tr>\s*?<td align="left" class="p">\s*? 发生过90天以上逾期的账户数\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<\/tr>/); data['SummaryInformation']['overdue90Num'] = _initNumDict(overdue90Num); var assureNum = htmlStr.match(/<tr>\s*?<td align="left" class="p">\s*? 为他人担保笔数\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<td align="center" class="p">\s*(.*?)\s*?<\/td>\s*?<\/tr>/); data['SummaryInformation']['assureNum'] = _initNumDict(assureNum); } function _initNumDict(array) { numDict = {}; numDict["creditCard"] = array.get(1); numDict["homeLoans"] = array.get(2); numDict["othreLoans"] = array.get(3); return numDict; } function extractAllLoanInformation(){ var allLoanInformationG = htmlStr.match(/<li\s*?style="list-style-type: decimal; list-style-position: outside">\s*?(\S*?)\s*?<\/li>/g); var allLoanInformation = []; for (var i=0; i< allLoanInformationG.length; i++){ allLoanInformation.push(allLoanInformationG[i].match(/<li\s*?style="list-style-type: decimal; list-style-position: outside">\s*?(\S*?)\s*?<\/li>/).get(1)); } data['allLoanInformation'] = allLoanInformation; } function extractPublicRecords() { var publicRecords ; if (!(htmlStr.match(/系统中没有您最近5年内的欠税记录、民事判决记录、强制执行记录、行政处罚记录及电信欠费记录。/))){ //没有具体的东西，可能不确定。 publicRecords = getInnerText('body > div > div > table > tbody > tr:nth-child(2) > td > table:nth-child(11)'); }else{ publicRecords='系统中没有您最近5年内的欠税记录、民事判决记录、强制执行记录、行政处罚记录及电信欠费记录。'; } data['publicRecords'] = publicRecords; } function extractQueryRecords() { if (!(htmlStr.match(/系统中没有您的信用报告最近2年被查询的记录。/))){ queryRecordsG = htmlStr.match(/<tr align="center">[\s\S]*?td class="p">\s*(.*?)\s*?<\/td>[\s\S]*?<td class="p">\s*(.*?日)\s*?<\/td>[\s\S]*?<td class="p">\s*(.*?)\s*?<\/td>[\s\S]*?<td class="p">\s*(.*?)\s*?<\/td>[\s\S]*?<\/tr>/g); //console.debug(queryRecordsG); queryRecords = []; for (var i=0; i<queryRecordsG.length; i++){ queryRecords.push(queryRecordsG[i].match(/<tr align="center">[\s\S]*?td class="p">\s*(.*?)\s*?<\/td>[\s\S]*?<td class="p">\s*(.*?日)\s*?<\/td>[\s\S]*?<td class="p">\s*(.*?)\s*?<\/td>[\s\S]*?<td class="p">\s*(.*?)\s*?<\/td>[\s\S]*?<\/tr>/)); } //console.debug(queryRecords); data['queryRecords'] = _initQueryRecords(queryRecords); }else{ data['queryRecords'] = ['系统中没有您的信用报告最近2年被查询的记录。']; } } function _initQueryRecords(queryRecords) { queryRecordsArray = []; for (var i=0; i<queryRecords.length; i++){ queryRecordDict = {}; queryRecordDict['no'] = queryRecords[i].get(1); queryRecordDict['queryDate'] = queryRecords[i].get(2); queryRecordDict['queryPerson'] = queryRecords[i].get(3); queryRecordDict['queryReason'] = queryRecords[i].get(4); queryRecordsArray.push(queryRecordDict); } return queryRecordsArray; } function extractReportInner() { extractUserInfo(); extractSummaryInformation(); extractAllLoanInformation(); extractPublicRecords(); extractQueryRecords(); } extractReportInner(); data['htmlStr'] = Base64.encode(htmlStr); return JSON.stringify(data); } var Base64 = { // private property _keyStr: "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/=", // public method for encoding encode: function(input) { var output = ""; var chr1, chr2, chr3, enc1, enc2, enc3, enc4; var i = 0; input = Base64._utf8_encode(input); while (i < input.length) { chr1 = input.charCodeAt(i++); chr2 = input.charCodeAt(i++); chr3 = input.charCodeAt(i++); enc1 = chr1 >> 2; enc2 = ((chr1 & 3) << 4) | (chr2 >> 4); enc3 = ((chr2 & 15) << 2) | (chr3 >> 6); enc4 = chr3 & 63; if (isNaN(chr2)) { enc3 = enc4 = 64; } else if (isNaN(chr3)) { enc4 = 64; } output = output + this._keyStr.charAt(enc1) + this._keyStr.charAt(enc2) + this._keyStr.charAt(enc3) + this._keyStr.charAt(enc4); } return output; }, // public method for decoding decode: function(input) { var output = ""; var chr1, chr2, chr3; var enc1, enc2, enc3, enc4; var i = 0; input = input.replace(/[^A-Za-z0-9\+\/\=]/g, ""); while (i < input.length) { enc1 = this._keyStr.indexOf(input.charAt(i++)); enc2 = this._keyStr.indexOf(input.charAt(i++)); enc3 = this._keyStr.indexOf(input.charAt(i++)); enc4 = this._keyStr.indexOf(input.charAt(i++)); chr1 = (enc1 << 2) | (enc2 >> 4); chr2 = ((enc2 & 15) << 4) | (enc3 >> 2); chr3 = ((enc3 & 3) << 6) | enc4; output = output + String.fromCharCode(chr1); if (enc3 != 64) { output = output + String.fromCharCode(chr2); } if (enc4 != 64) { output = output + String.fromCharCode(chr3); } } output = Base64._utf8_decode(output); return output; }, // private method for UTF-8 encoding _utf8_encode: function(string) { string = string.replace(/\r\n/g, "\n"); var utftext = ""; for (var n = 0; n < string.length; n++) { var c = string.charCodeAt(n); if (c < 128) { utftext += String.fromCharCode(c); } else if ((c > 127) && (c < 2048)) { utftext += String.fromCharCode((c >> 6) | 192); utftext += String.fromCharCode((c & 63) | 128); } else { utftext += String.fromCharCode((c >> 12) | 224); utftext += String.fromCharCode(((c >> 6) & 63) | 128); utftext += String.fromCharCode((c & 63) | 128); } } return utftext; }, // private method for UTF-8 decoding _utf8_decode: function(utftext) { var string = ""; var i = 0; var c = c1 = c2 = 0; while (i < utftext.length) { c = utftext.charCodeAt(i); if (c < 128) { string += String.fromCharCode(c); i++; } else if ((c > 191) && (c < 224)) { c2 = utftext.charCodeAt(i + 1); string += String.fromCharCode(((c & 31) << 6) | (c2 & 63)); i += 2; } else { c2 = utftext.charCodeAt(i + 1); c3 = utftext.charCodeAt(i + 2); string += String.fromCharCode(((c & 15) << 12) | ((c2 & 63) << 6) | (c3 & 63)); i += 3; } } return string; } };
这个是js版本，由于央行征信报告页面是拼接的，css取值不能一步到位，还必须再用正则细取，再者页面元素没有很好的标记，所以js版也是正则为主。js的match对应py的search，js的macth加g模式对应py的findall。js的search是返回个数字，要先弄清楚py和js的正则api的区别。
2、另外，使用js版本的用法是，要配合app的webview。在f12的console栏里面可以调试测试js，但那不是自动化的，尤其在多个页面跳转情况下，使用webview注入js非常方便。也可以直接在app端用httpclient对淘宝网发请求，但是征信类的项目，一般需要先登录，不依赖webview直接使用httpcliet请求淘宝登录接口的方式大批量登录任意明文的账号 密码，而不是复制ua cookie什么的（复制没什么鸟用，用户根本不知道cookie是什么，更没不用说ua参数是什么了），搞定它是天方夜谭，我没见过任何人搞定过，难度指数是五颗星。有兴趣的可以试试，不要只是嘴炮说抓包模拟就完了这么简单。
反对极端面向过程编程思维方式，喜欢面向对象和设计模式的解读，喜欢对比极端面向过程编程和oop编程消耗代码代码行数的区别和原因。致力于使用oop和36种设计模式写出最高可复用的框架级代码和使用最少的代码行数完成任务，致力于使用oop和设计模式来使部分代码减少90%行，使绝大部分py文件最低减少50%-80%行的写法。
