爬虫再探实战（五）———爬取APP数据——超级课程表【一】

　　　　关于爬虫，开始以为只能爬取网页数据，后来知道APP也能抓取。于是，在学校利用空闲时间，耗时两周实现了数据的抓取和简单的数据分析。

　　　　目标，抓取超级课程表XX大学（其实是我们大学啦。。。）学生20000条发帖信息。思路如下：

　　　　STEP1:为我们的爬虫找到入口

　　　　APP请求数据，也是通过网络协议，这样，我们就抓包来定位入口，这里我用的是fiddler。关于设置手机和fiddler的关联，请参考这篇文章。

找到登陆入口为：http://120.55.151.61/V2/StudentSkip/loginCheckV4.action

　　　　STEP2：登陆

　　　　这里登陆就和模拟登陆原理是一样的，即向登陆入口POST登陆数据，而且这里还更加简单，因为fiddler抓包（为了避免搞乱思路，这里抓包分析就先略过了，以后有时间再补上抓包分析这块吧。。。）可以直接获取POST的数据，省去了自己构建表单的步骤，具体参见下文代码。登陆成功后，会返回json数据，里面是你的个人信息。

　　　　STEP3：定位数据来源

　　　　要抓取的是发帖信息，手机点击，fiddler抓包定位。这里定位的入口为：http://120.55.151.61/Treehole/V4/Cave/getList.action，POST方式，数据同样以json形式返回。要注意的是，这里要想做持续请求，必须搞定时间戳，简单说就是从第N次请求获取返回数据的中的一个时间戳，之后应用于第N+1次请求，如此循环，具体请参考代码。同样，按照我习惯的方式，用了一个简单的递归来实现循环抓取。

　　　　STEP4：解析json文件，清洗数据并保存

　　　　这里我还是用的EXCEL表格，建议用数据库。。。因为数据量大的时候（此次抓取包含发帖内容，数据量不算太小。。。），打开EXCEL表格时会巨卡。。。

　　　　有了前面的思路，抓取就是体力活了。。。上代码：（声明：出于隐私和安全考虑，代码中logindata和初始req_data有改动，这个要换成自己抓包得到的数据才可以）

import requests
import json
import re
import time
import simplejson
import xlsxwriter


workbook = xlsxwriter.Workbook('kebiao_test.xlsx')
worksheet = workbook.add_worksheet()
worksheet.set_column('A:A', 10)
worksheet.set_column('B:B', 20)
worksheet.set_column('C:C', 5)
worksheet.set_column('D:D', 20)
worksheet.set_column('E:E', 20)
worksheet.set_column('F:F', 500)

worksheet.write(0,0,'学校')
worksheet.write(0,1,'主题')
worksheet.write(0,2,'性别')
worksheet.write(0,3,'日期')
worksheet.write(0,4,'时间')
worksheet.write(0,5,'内容')

# 登陆部分
# 用requests.Session()记录cookie
s = requests.Session()
loginurl = 'http://120.55.151.61/V2/StudentSkip/loginCheckV4.action'
logindata = 'phoneBrand=Xiaomi&platform=1&deviceCode=867711022104024&account=6603135B883F9B40DED6374A22593&phoneVersion=19&password=98A09B5680DF25A934ACF9B3614AF4EA&channel=XiaoMiMarket&phoneModel=HM+2A&versionNumber=7.4.1&'
headers = {
   'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
   'User-Agent': 'Dalvik/1.6.0 (Linux; U; Android 4.4.4; HM 2A MIUI/V7.3.1.0.KHLCNDD)',
   'Host': '120.55.151.61',
   'Connection': 'Keep-Alive',
   'Accept-Encoding': 'gzip',
   'Content-Length': '213',
}

# 提交登陆信息，开始登陆
data = s.post(url=loginurl, data=logindata, headers=headers, stream=True, verify=False)
loginResult = data.text
# 打印登陆信息，检查是否登陆成功
# 成功后返回个人信息
print(loginResult)


# 定义一个函数，获取信息并保存
# 传入要POST的表单数据，即req_data
def get_data(req_data):
   req_url = 'http://120.55.151.61/Treehole/V4/Cave/getList.action'
   data_r = s.post(url=req_url, data=req_data, headers=headers)
   data_r = data_r.text
   # 返回的布尔值为小写，这里转化为真正的布尔值
   true = True
   false = False
   
   # 简单处理json数据，直接解析好像有编码问题，不太清楚。。。
   data_j = eval(data_r)
   data_js = json.dumps(data_j)
   data_dict = simplejson.loads(data_js)

   # 获取时间戳
   data = data_dict['data']
   timestampLong = data['timestampLong']
   #print(timestampLong)
   messageBO = data['messageBOs']
   
   # 处理抓到的json数据，拿到目标数据并保存
   for each in messageBO:
      if 'studentBO' in each:
         print(each)
         #topicDict = {}
         if each.get('content', False):
            schoolNamex = each["schoolName"]
            worksheet.write(i,0,schoolNamex)
            tag = each['moodTagBO']['moodTagName']
            worksheet.write(i,1,tag)
            genderx = each['studentBO']['gender']
            worksheet.write(i,2,genderx)
            contentx = each['content']
            #print(contentx)
            worksheet.write(i,5,contentx)
            #topicDict['messageId'] = each['messageId'
            time_f = list(time.localtime(int(str(each['issueTime'])[:-3])))
            time_s = str(time_f[0])+'/'+str(time_f[1])+'/'+str(time_f[2])

            h = time_f[3]
            m = time_f[4]
            sec = time_f[5]
            if h < 10:
               h = '0'+str(h)
            if m < 10:
               m = '0'+str(m)
            if sec < 10:
               sec = '0'+str(sec)
            time_t = str(h)+':'+str(m)+':'+str(sec)
            datex = time_s
            # print(datex)
            worksheet.write(i,3,datex)
            worksheet.write(i,4,time_t)

            i += 1
            global i
   # 用获取的时间戳构建新的POST表单数据，持续循环抓取
   new_req_data = 'timestamp='+str(timestampLong)+'&preMoodTimestap=1461641185406&phoneBrand=Xiaomi&platform=1&phoneVersion=19&channel=XiaoMiMarket&phoneModel=HM+2A&versionNumber=7.4.1&'
   print('--------------------------new page-------------------------------')
   #print(new_req_data)
   # 定义抓取发帖条数
   if i <= 20000:
      try:
         get_data(new_req_data)
      except:
         print('fail')
      finally:
         workbook.close()

   else:
      workbook.close()
      print('全部抓取成功了！！！')


# i 是抓取条数的标识   
i = 1
# 此处传入第一个页面的POST数据，之后展开循环
get_data(req_data='timestamp=146646454916&preMoodTimestap=1461641185406&phoneBrand=Xiaomi&platform=1&phoneVersion=19&channel=XiaoMiMarket&phoneModel=HM+2A&versionNumber=7.4.1&')

　

　　　　代码输出结果如下：

　　　　EXCEL表格数据如下：

　　　　至此，抓取算是全部搞定。但是，本人毕竟学统计的，有数据怎能不分析呢，下一篇我来讲下怎么对数据进行简单的可视化。