web爬虫学习(四)——手机APP爬取
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。
第一步:下载神器Fiddler,下载链接:
http://w.x.baidu.com/alading/anquan_soft_down_ub/10963
下载完成之后,傻瓜式的安装一下了!
第二步:设置Fiddler
打开Fiddler, Tools-> Fiddler Options (配置完后记得要重启Fiddler)
选中"Decrpt HTTPS traffic", Fiddler就可以截获HTTPS请求
选中"Allow remote computers to connect". 是允许别的机器把HTTP/HTTPS请求发送到Fiddler上来
记住这个端口号是:8888
第三步:设置Android手机
首先获取PC的ip地址:命令行中输入:ipconfig,获取ip地址
好吧,这时候我就拿到了IP地址和端口号了
下面来对Android手机进行代理设置
确定一下手机和PC是连接在同一个局域网中
进入手机的设置->点击进入WLAN设置->选择连接到的无线网,长按弹出选项框:如图所示:
将代理设置成手动,将上面获取到的ip地址和端口号填入,点击保存。这样就将我们的手机设置成功了。
第四步:下载Fiddler的安全证书
使用Android手机的浏览器打开:http://192.168.1.96:8888,点"FiddlerRootcertificate" 然后安装证书,如图:
到这里我们就设置好所有的值,下面就来测试一下,打开手机的超级课程表APP:
这样就抓取Android移动端的数据包成功了,这个对于我们后面进行网络数据请求的调试有很大的帮助,我们可以通过这个方法来判断我们请求网络是否成功!
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。