python&MongoDB;爬取图书馆借阅记录

发表于 5年以前 | 总阅读数：933 次

直接上需求和代码
首先是需要爬取的链接和网页：http://211.81.31.34/uhtbin/cgisirsi/x/0/0/57/49?user_id=LIBSCI_ENGI&password;=LIBSC

登陆进去之后进入我的账号――借阅、预约及申请记录――借阅历史就可以看到所要爬取的内容

然后将借阅历史中的题名、著者、借阅日期、归还日期、索书号存入Mongodb数据库中，以上便是这次爬虫的需求。

下面开始：

各软件版本为：

python 2.7.11
MongoDb 3.2.1
Pycharm 5.0.4
MongoDb Management Studio 1.9.3
360极速浏览器懒得查了

一、登陆模块
python中的登陆一般都是用urllib和urllib2这两个模块，首先我们要查看网页的源代码：

  <!-- only user ID is used if both on -->  
    <div class="user_name">  
        <label for="user_id">借阅证号码:</label>  
        <input class="user_name_input" type="text" name="user_id" id="user_id"  maxlength="20" value=""/>  
    </div>  


    <div class="password">  
        <label for="password">个人密码:</label>  
        <input class="password_input" type="password" name="password" id="password"  maxlength="20" value=""/>  
    </div>    


<input type="submit" value="用户登录" class="login_button"/>

查找网页中的form表单中的action，方法为post，但是随后我们发现，该网页中的action地址不是一定的，是随机变化的，刷新一下就变成了下面这样子的：

我们可以看到/?ps到/之间的字符串是随机变化的（加粗部分），于是我们需要用到另一个模块――BeautifulSoup实时获取该链接： url = "[http://211.81.31.34/uhtbin/cgisirsi/x/0/0/57/49?user_id=LIBSCI_ENGI&password;=LIBSC](http://211.81.31.34/uhtbin/cgisirsi/x/0/0/57/49?user_id=LIBSCI_ENGI&password=LIBSC)" res = urllib2.urlopen(url).read() soup = BeautifulSoup(res, "html.parser") login_url = "[http://211.81.31.34](http://211.81.31.34/)" + soup.findAll("form")[1]['action'].encode("utf8") 之后就可以正常使用urllib和urllib来模拟登陆了，下面列举一下BeautifulSoup的常用方法，之后的HTML解析需要：

1.soup.contents 该属性可以将tag的子节点以列表的方式输出

2.soup.children 通过tag的.children生成器，可以对tag的子节点进行循环

3.soup.parent 获取某个元素的父节点

4.soup.find_all(name,attrs,recursive,text,**kwargs) 搜索当前tag的所有tag子节点，并判断是否符合过滤器的条件

5.soup.find_all("a",class="xx") 按CSS搜索

6.find(name,attrs,recursive,text,**kwargs) 可以通过limit和find_all区分开

二、解析所获得的HTML

先看看需求中的HTML的特点：

 <tr>  
   <td class="accountstyle" align="left">  
      <!-- SIRSI_Conditional IF List_DC_Exists="IB" AND NOT List_DC_Comp="IB^" -->

        做人要低调，说话要幽默 孙郡铠编著  
    </td>  
   <td class="accountstyle author" align="left">  
      <!-- Author -->  
        孙郡铠 编著  
    </td>  
   <td class="accountstyle due_date" align="center">  
      <!-- Date Charged -->  
        2015/9/10,16:16  
   </td>  
    <td class="accountstyle due_date" align="left">  
    <!-- Date Returned -->  
        2015/9/23,15:15  
    </td>

    <td class="accountstyle author" align="center">  
      <!-- Call Number -->  
        B821-49/S65  
    </td>

  </tr>

 <tr>  
   <td class="accountstyle" align="left">  
      <!-- SIRSI_Conditional IF List_DC_Exists="IB" AND NOT List_DC_Comp="IB^" -->

        我用一生去寻找 潘石屹的人生哲学 潘石屹著  
    </td>  
   <td class="accountstyle author" align="left">  
      <!-- Author -->  
        潘石屹, 1963- 著  
    </td>  
   <td class="accountstyle due_date" align="center">  
      <!-- Date Charged -->  
        2015/9/10,16:16  
   </td>  
    <td class="accountstyle due_date" align="left">  
    <!-- Date Returned -->  
        2015/9/25,15:23  
    </td>

    <td class="accountstyle author" align="center">  
      <!-- Call Number -->  
        B821-49/P89  
    </td>

  </tr>

由所有代码，注意这行：

该标签表示下面的内容将是借阅书籍的相关信息，我们采用遍历该网页所有子节点的方法获得id="tblSuspensions"的内容： for i, k in enumerate(BeautifulSoup(detail, "html.parser").find(id='tblSuspensions').children): # print i,k if isinstance(k, element.Tag): bookhtml.append(k) # print type(k) 三、提取所需要的内容

这一步比较简单，bs4中的BeautifulSoup可以轻易的提取：
for i in bookhtml:

p

            # rint i  
            name = i.find(class_="accountstyle").getText()  
            author = i.find(class_="accountstyle author", align="left").getText()  
            Date_Charged = i.find(class_="accountstyle due_date", align="center").getText()  
            Date_Returned = i.find(class_="accountstyle due_date", align="left").getText()  
            bookid = i.find(class_="accountstyle author", align="center").getText()  
            bookinfo.append(  
                [name.strip(), author.strip(), Date_Charged.strip(), Date_Returned.strip(), bookid.strip()])

这一步采用getText（）的方法将text中内容提取出来；strip()方法是去掉前后空格，同时可以保留之间的空格，比如：s=" a a ",使用s.strip()之后即为"a a"

四、连接数据库
据说NoSQL以后会很流行，随后采用了Mongodb数据库图图新鲜，结果一折腾真是烦，具体安装方法在上一篇日记中记载了。
1.导入python连接Mongodb的模块
　　import pymongo
2.创建python和Mongodb的链接：

connection database

conn = pymongo.MongoClient("mongodb://root:root@localhost:27017")
db = conn.book
collection = db.book
3.将获得的内容保存到数据库：
user = {"_id": xuehao_ben,
"Bookname": name.strip(),
"Author": author.strip(),
"Rent_Day": Date_Charged.strip(),
"Return_Day": Date_Returned.strip()}
j += 1
collection.insert(user)
上面基本完成了，但是爬虫做到这个没有意义，重点在下面

五、获取全校学生的借阅记录

　　我们学校的图书馆的密码都是一样的，应该没有人闲得无聊改密码，甚至没有人用过这个网站去查询自己的借阅记录，所以，做个循环，就可以轻易的获取到全校的借阅记录了，然后并没有那么简单，str（0001）强制将int变成string，但是在cmd的python中是报错的（在1位置），在pycharm前面三个0是忽略的，只能用傻瓜式的四个for循环了。好了，下面是所有代码：

encoding=utf8

import urllib2
import urllib
import pymongo
import socket

from bs4 import BeautifulSoup
from bs4 import element

connection database

conn = pymongo.MongoClient("mongodb://root:root@localhost:27017")
db = conn.book
collection = db.book

循环开始

def xunhuan(xuehao):
try:
socket.setdefaulttimeout(60)
s = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
s.bind(("127.0.0.1", 80))
url = "http://211.81.31.34/uhtbin/cgisirsi/x/0/0/57/49?user_id=LIBSCI_ENGI&password;=LIBSC"
res = urllib2.urlopen(url).read()
soup = BeautifulSoup(res, "html.parser")
login_url = "http://211.81.31.34" + soup.findAll("form")[1]['action'].encode("utf8")
params = {
"user_id": "账号前缀你猜你猜" + xuehao,
"password": "密码你猜猜"
}
print params
params = urllib.urlencode(params)
req = urllib2.Request(login_url, params)
lianjie = urllib2.urlopen(req)

print lianjie

    jieyue_res = lianjie.read()  
    # print jieyue_res     首页的HTML代码  
    houmian = BeautifulSoup(jieyue_res, "html.parser").find_all('a', class_='rootbar')[1]['href']  
    # print houmian  
    houmian = urllib.quote(houmian.encode('utf8'))  
    url_myaccount = "[http://211.81.31.34](http://211.81.31.34/)" + houmian  
    # print url_myaccount  
    # print urllib.urlencode(BeautifulSoup(jieyue_res, "html.parser").find_all('a',class_ = 'rootbar')[0]['href'])

    lianjie2 = urllib.urlopen(url_myaccount)  
    myaccounthtml = lianjie2.read()  
    detail_url = ''  
    # print (BeautifulSoup(myaccounthtml).find_all('ul',class_='gatelist_table')[0]).children  
    print "连接完成，开始爬取数据"  
    for i in (BeautifulSoup(myaccounthtml, "html.parser").find_all('ul', class_='gatelist_table')[0]).children:  
        if isinstance(i, element.NavigableString):  
            continue  
        for ii in i.children:  
            detail_url = ii['href']  
        break  
    detail_url = "[http://211.81.31.34](http://211.81.31.34/)" + urllib.quote(detail_url.encode('utf8'))  
    detail = urllib.urlopen(detail_url).read()  
    # print detail  
    bookhtml = []  
    bookinfo = []

    # 解决没有借书  
    try:  
        for i, k in enumerate(BeautifulSoup(detail, "html.parser").find(id='tblSuspensions').children):  
            # print i,k  
            if isinstance(k, element.Tag):  
                bookhtml.append(k)  
                # print type(k)  
        print "look here!!!"  
        j = 1  
        for i in bookhtml:  
            # p  
            # rint i  
            name = i.find(class_="accountstyle").getText()  
            author = i.find(class_="accountstyle author", align="left").getText()  
            Date_Charged = i.find(class_="accountstyle due_date", align="center").getText()  
            Date_Returned = i.find(class_="accountstyle due_date", align="left").getText()  
            bookid = i.find(class_="accountstyle author", align="center").getText()  
            bookinfo.append(  
                [name.strip(), author.strip(), Date_Charged.strip(), Date_Returned.strip(), bookid.strip()])  
            xuehao_ben = str(xuehao) + str("_") + str(j)  
            user = {"_id": xuehao_ben,  
                    "Bookname": name.strip(),  
                    "Author": author.strip(),  
                    "Rent_Day": Date_Charged.strip(),  
                    "Return_Day": Date_Returned.strip()}  
            j += 1  
            collection.insert(user)  
    except Exception, ee:  
        print ee  
        print "此人没有借过书"  
        user = {"_id": xuehao,  
                "Bookname": "此人",  
                "Author": "没有",  
                "Rent_Day": "借过",  
                "Return_Day": "书"}  
        collection.insert(user)

    print "********" + str(xuehao) + "_Finish"+"**********"  
except Exception, e:  
    s.close()  
    print e  
    print "socket超时，重新运行"  
    xunhuan(xuehao)

with contextlib.closing(urllib.urlopen(req)) as A:

print A

print xuehao

print req

for i1 in range(0, 6):
for i2 in range(0, 9):
for i3 in range(0, 9):
for i4 in range(0, 9):
xueha = str(i1) + str(i2) + str(i3) + str(i4)
chushi = '0000'
if chushi == xueha:
print "=======爬虫开始=========="
else:
print xueha + "begin"
xunhuan(xueha)

conn.close()
print "End!!!"
下面是Mongodb Management Studio的显示内容（部分）：