写点什么

微信小程序,Python 爬虫抓包采集实战,采集某成考题库小程序

作者:梦想橡皮擦
  • 2022 年 9 月 05 日
    河北
  • 本文字数:2852 字

    阅读完需:约 9 分钟

⛳️ 实战场景

从本篇博客开始,我们会针对微信小程序编写一系列的爬虫,这些爬虫依旧通过案例进行串联,保证对大家的学习有所帮助。


正式开始前先准备工具,一个可以解析 https 协议请求的软件 fiddler,电脑版微信。


由于在 2022 年 5 月份,微信调整了其小程序架构,所以在正式开始前需要对环境进行一下基础配置,便于抓取到网络包。


如果你的 fiddler 启动之后,可以成功抓取数据包,无需该步操作。


找到下述路径的文件夹,然后清空该文件夹,接下来重新启动微信,此时就可以获取小程序中的 https 请求了,效果图如下所示。


C:\Users\Administrator\AppData\Roaming\Tencent\WeChat\XPlugin\Plugins\WMPFRuntime
复制代码



由于 Python 有侵权问题,所以关键站点信息进行打码处理。



抓取请求之后,首先对请求地址进行分析,本次采集的目标站点呈现如下规则(实践初期可以多获取一下不同地址):


weixin.不能展示的作品地址.com/app/index.php?i=1063&t=0&v=1.0.0&from=wxapp&c=entry&a=wxapp&do=gettopic&m=huitong_shuati&sign=指纹地址&topic_class_id=30702&ordinal=1weixin.不能展示的作品地址.com/app/index.php?i=1063&t=0&v=1.0.0&from=wxapp&c=entry&a=wxapp&do=gettopic&m=huitong_shuati&sign=指纹地址&topic_class_id=30702&ordinal=2
复制代码


在对参数进行猜测的时候,我发现了 sign 加密参数,此时就比较麻烦了,因为我们没有办法进行调试,如果该参数需要解析,那还面临小程序解包这一问题,不过后续的实际分析,让我松了一口气,该参数并未参加运算。


其核心参数如下所示:


  • c:控制器;

  • a:动作,也可以叫做函数

  • m:猜测是 model

  • topic_class_id:试卷 ID;

  • ordinal:题目序号。


如果仅有这些参数,此时可以在一空白谷歌浏览器中进行迭代,即判断是否可以直接通过题号切换,获取所有试题。


随着不断增大题号,结果当试题不存在时,得到下述响应信息。


{"errno":0,"message":"\u9898\u7684\u6570\u636e\u83b7\u53d6\u5931\u8d25","data":{"status":0}}
复制代码


将 unicode 转码之后,得到题目不存在的提示,此时表示该试卷所有试题已经解析完毕。


题目获取成功,得到题干,选项,解析,包括试卷题目总数等信息,有这些数据之后,就可以进入编码实战环节。



以下代码主要通过 Python requests 模块实现。

⛳️ 实战编码

在实战中可以先将数据存储到 MySQL 中(直接存储 JSON 文件也可以),然后在进行后续的读取操作。


下面在梳理一下需求实现步骤:


1. 获取分类页面试题类型该页面获取地址如下所示:


weixin.不能展示的作品地址.com/app/index.php?i=1063&t=0&v=1.0.0&from=wxapp&c=entry&a=wxapp&do=fenlei_data&state=指纹地址&m=huitong_shuati&sign=指纹地址&up_class_id=3464&openid=om76m4sMOiBzooHFFKbqcZJFysq0
复制代码


2. 获取试卷科目数据获取地址如下所示:


weixin.不能展示的作品地址.com/app/index.php?i=1063&t=0&v=1.0.0&from=wxapp&c=entry&a=wxapp&do=fenlei_data&state=指纹地址&m=huitong_shuati&sign=指纹地址&up_class_id=24321&openid=om76m4sMOiBzooHFFKbqcZJFysq0
复制代码


3. 获取试卷分组数据


https://weixin.不能展示的作品地址.com/app/index.php?i=1063&t=0&v=1.0.0&from=wxapp&c=entry&a=wxapp&do=fenlei_data&state=指纹地址&m=huitong_shuati&sign=指纹地址&up_class_id=24377&openid=om76m4sMOiBzooHFFKbqcZJFysq0
复制代码


4.获取分组下的试卷


https://weixin.不能展示的作品地址.com/app/index.php?i=1063&t=0&v=1.0.0&from=wxapp&c=entry&a=wxapp&do=fenlei_data&state=指纹地址&m=huitong_shuati&sign=指纹地址&up_class_id=30658&openid=om76m4sMOiBzooHFFKbqcZJFysq0
复制代码


5.获取试题


https://weixin.不能展示的作品地址.com/app/index.php?i=1063&t=0&v=1.0.0&from=wxapp&c=entry&a=wxapp&do=gettopic&state=指纹地址&m=huitong_shuati&sign=指纹地址&topic_class_id=30659&ordinal=1
复制代码


获取到这五个地址之后,还需要进一步的进行整理分析,看中间是否存在步骤跳过的可能。


经过筛选,得到下图内容,其中 up_class_id 作为核心参数脱颖而出。



所以后续的内容就围绕 up_class_id 进行编写即可,二级分类数据获取代码如下:


import requestsimport pymysql
headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.0.0 Safari/537.36"
}def get_conn(): conn = pymysql.connect( host='127.0.0.1', user='你的账号', db='question_scrapy', port=3306, cursorclass=pymysql.cursors.DictCursor ) return conn

def run(): res = requests.get( 'https://weixin.不能展示的作品地址.com/app/index.php?i=1063&from=wxapp&c=entry&a=wxapp&do=fenlei_data&m=huitong_shuati&up_class_id=3464', headers=headers, timeout=5, verify=False)
json_data = res.json() if json_data["errno"] == 0: fenlei_data = json_data["data"]['0']["fenlei_data"] insert_fenlei(fenlei_data)

def insert_fenlei(fenlei_data): conn = get_conn() cursor = conn.cursor() for item in fenlei_data: up_class_id = item["id"] topic_class_name = item["topic_class_name"]
cursor.execute( f'insert into fenlei_data values({up_class_id},"{topic_class_name}")') try: conn.commit() except Exception as e: conn.rollback()
cursor.close() conn.close()
if __name__ == '__main__': run()
复制代码


输入插入结果如下所示:



四层页面全部采集完毕,得到的数据如下所示:



拿到本列表之后,就可以批量采集试题了,直接通过最后一个链接地址获取。


def get_question(topic_class_id, ordinal=1):
url = f'https://weixin.不能展示的作品地址.com/app/index.php?i=1063&from=wxapp&c=entry&a=wxapp&do=gettopic&m=huitong_shuati&topic_class_id={topic_class_id}&ordinal={ordinal}' res = requests.get(url, headers=headers) data = res.json()["data"] if data["status"] == 1: questions_count = data["count"] for num in range(1,int(questions_count)+1): url = f'https://weixin.不能展示的作品地址.com/app/index.php?i=1063&from=wxapp&c=entry&a=wxapp&do=gettopic&m=huitong_shuati&topic_class_id={topic_class_id}&ordinal={num}' res = requests.get(url, headers=headers) print(res.json()["data"]["topic_data"][0])
复制代码


此时再次运行代码,就可以将试题全部采集到本地数据库中了,为了后续操作便捷,试题全部采用 JSON 字符串格式入库。



📢📢📢📢📢📢💗 你正在阅读 【梦想橡皮擦】 的博客👍 阅读完毕,可以点点小手赞一下🌻 发现错误,直接评论区中指正吧📆 橡皮擦的第 <font color=red>710</font> 篇原创博客


发布于: 刚刚阅读数: 3
用户头像

爬虫 100 例作者,蓝桥签约作者,博客专家 2021.02.06 加入

6 年产品经理+教学经验,3 年互联网项目管理经验; 互联网资深爱好者; 沉迷各种技术无法自拔,导致年龄被困在 25 岁; CSDN 爬虫 100 例作者。 个人公众号“梦想橡皮擦”。

评论

发布
暂无评论
微信小程序,Python爬虫抓包采集实战,采集某成考题库小程序_Python_梦想橡皮擦_InfoQ写作社区