爬蟲讓我再次在女同學(xué)面前長臉了~(現(xiàn)實(shí)版真實(shí)案例)

1. 文章背景：

鑒于這幾天掉發(fā)情況螃成，想著周末是多休息的啦旦签，睡午覺的時(shí)候被微信滴滴來信給吵醒了，拿來一看寸宏，是那個(gè)女同學(xué)哦宁炫，簡單看了一下，她主要表達(dá)的意思就是：“你能不能幫我 x x x x x x x 氮凝？（省略幾百個(gè)字）”羔巢，身為一個(gè)男同學(xué)，你能說你不能嘛罩阵？ m(o_ _)m

2. 前言：

簡單介紹一下 ~~“需求”~~ 竿秆，她希望我?guī)兔υ? “自考365” 下載一批量的試題以及答案，如下圖：
https://www.zikao365.com/shiti/downlist_search.shtm

3. 爬蟲

了解到要實(shí)現(xiàn)的東西之后稿壁，就可以對網(wǎng)頁進(jìn)行解剖了幽钢，下面是具體步驟。

1.瀏覽器抓包

2.了解傳遞的參數(shù)

在瀏覽器抓包中我們看不到實(shí)際傳遞了哪些參數(shù)（unable to decode value）傅是，因此這里可以使用 Fiddler 進(jìn)行抓包或者使用下面的一種方式匪燕，任意一種都行蕾羊，看你喜歡了...

然后使用文本框粘貼剛才復(fù)制的內(nèi)容：

curl 'https://www.zikao365.com/shiti/downlist_search.shtm' \
  -H 'Connection: keep-alive' \
  -H 'Cache-Control: max-age=0' \
  -H 'Upgrade-Insecure-Requests: 1' \
  -H 'Origin: https://www.zikao365.com' \
  -H 'Content-Type: application/x-www-form-urlencoded' \
  -H 'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36' \
  -H 'Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9' \
  -H 'Sec-Fetch-Site: same-origin' \
  -H 'Sec-Fetch-Mode: navigate' \
  -H 'Sec-Fetch-User: ?1' \
  -H 'Sec-Fetch-Dest: document' \
  -H 'Referer: https://www.zikao365.com/shiti/downlist_search.shtm' \
  -H 'Accept-Language: zh-CN,zh;q=0.9,zh-TW;q=0.8,en-US;q=0.7,en;q=0.6' \
  --data-raw 'KeyWord=%C2%ED%BF%CB%CB%BC%D6%F7%D2%E5&monthHidden=%C8%AB%B2%BF&month=&yearHidden=%C8%AB%B2%BF&year=' \
  --compressed

留意一下倒數(shù)第二行 KeyWord=%C2%ED%BF%CB%CB%BC%D6%F7%D2%E5
結(jié)合瀏覽器抓包06了解到Keyword，這里其實(shí)就是上面搜索傳遞的內(nèi)容啦!!!

3.如何傳遞分頁

來到這里我們就能獲取一頁的列表數(shù)據(jù)了帽驯，那么獲取第二頁傳遞什么參數(shù)呢肚豺？點(diǎn)擊 下一頁 然后觀察抓包情況
https://www.zikao365.com/shiti/downlist_search.shtm?page=2
如上，url 發(fā)生了一點(diǎn)點(diǎn)變化了界拦，添加了一個(gè)參數(shù)page吸申，也就是說page=2代表第2頁

翻頁也不成問題了，那就看看如何獲取內(nèi)部的下載鏈接吧~

4.查找下載鏈接

隨便點(diǎn)擊一個(gè)鏈接進(jìn)如試題詳情頁如下：
https://www.zikao365.com/shiti/download-427-16827.html

原本我打算高高興興的點(diǎn)擊 "立即下載" 的享甸，結(jié)果發(fā)現(xiàn)需要登錄
真的是好事多磨啊~~

擺在眼前只有三條路

~~找女同學(xué)要一個(gè)賬號截碴，點(diǎn)擊一下看看什么情況~~
~~自己注冊一個(gè)賬號，但是太麻煩了~~
嘗試?yán)@開登錄驗(yàn)證蛉威，直接下載（很明顯我選擇第三種）

因?yàn)橐话?超鏈接點(diǎn)擊了都是直接跳轉(zhuǎn)的日丹，如果沒有直接跳轉(zhuǎn)，那就說明禁用了 href 屬性蚯嫌，并且重寫onclick事件哲虾，帶著這種前提意識打開 F12 > Elements 觀察源碼

OK~~ 來到這里對自考365的整體列表數(shù)據(jù)以及詳情數(shù)據(jù)的下載文件都有了一個(gè)整體的了解，那就可以著手編碼啦Ｔ袷尽束凑！

代碼實(shí)現(xiàn)較簡單我這里就全部貼出來

public static void main(String[] args) throws Exception {
    HttpClient httpClient = HttpClient.buildHttpClient();
    String urlTemplate = "https://www.zikao365.com/shiti/downlist_search.shtm?page=${page}&KeyWord=${KeyWord}";
    String url = null;
    for (int i = 1; i < 6; i++) {
        // 第一頁開始
        url = urlTemplate.replace("${page}", i + "");
        url = url.replace("${KeyWord}", "%C2%ED%BF%CB%CB%BC%D6%F7%D2%E5");
        // 這里我竟然直接使用 GET 也是可以的 ( 我當(dāng)時(shí)是忘記了抓包是 POST ,直接寫了GET, 可以,那就更加方便了)
        Request request = httpClient.buildRequest(url).GET();
        Response<String> response = request.execute(BodyHandlers.ofString(Charset.forName("gbk")));
        log.debug("response: [{}]", response.getBody());
        // 把html解析為一個(gè)Document
        Document document = Jsoup.parse(response.getBody());
        // 獲取每一頁的試題超鏈接
        Elements a = document.select(".bot.clearfix li > a");
        List<String> hrefs = a.stream().map(v -> v.attr("href")).collect(Collectors.toList());
        for (String href : hrefs) {
            // 這里相當(dāng)于點(diǎn)擊進(jìn)入具體的試題超鏈接
            response = httpClient.buildRequest(href).execute(BodyHandlers.ofString(Charset.forName("gbk")));
            String html = response.getBody();
            // 解析每一個(gè)試題內(nèi)部的document
            document = Jsoup.parse(html);
            // 獲取當(dāng)前試題的標(biāo)題
            String title = document.selectFirst(".main div > h1").text();
            // 手動字符串切割獲取文件的path
            String[] scripts = StringUtils.substringsBetween(html, "<script", "</script>");
            String path = Arrays.stream(scripts).filter(v -> v.contains("addClick") && v.contains("path")).findFirst().get();
            path = path.substring(path.indexOf("path") + 4);
            path = path.replaceAll("'", "\"");// 這里是為了統(tǒng)一 ' 轉(zhuǎn)為 " , 避免個(gè)別頁面使用的是' 如: var path = 'http://download.zikao365.com/shiti/19158.pdf'
            path = path.substring(path.indexOf("\"") + 1);
            path = path.substring(0, path.indexOf("\""));
            // 獲取文件的后綴
            String suffix = path.substring(path.lastIndexOf("."));
            log.info("title:[{}], path: [{}], suffix: [{}]", title, path, suffix);
            // 執(zhí)行下載文件到本地目錄
            // 也可以使用 commons.io 的工具類下載, 如: FileUtils.copyURLToFile(new URL(path), Paths.get("C:\\Users\\houyu\\Desktop\\馬克思主義", title + suffix).toFile());
            httpClient.buildRequest(path).execute(BodyHandlers.ofFile(Paths.get("C:\\Users\\houyu\\Desktop\\馬克思主義", title + suffix)));
        }
    }
}

說明：這里列舉一下使用到幾個(gè)類庫或者工具類

HttpClient：基于HttpURLConnection封裝超級好用的HttpClient (就一個(gè)java文件，內(nèi)含豐富的好用的api)
commons-lang3：比較常用的工具包
jsoup：一個(gè) java 版的 css selector栅盲，用起來就像吃甜品一樣汪诉。

4. 下載

日志：

下載之后的文件如下，共108個(gè)：

5. 最后

當(dāng)我把這108個(gè)文件發(fā)給哪位那個(gè)女同學(xué)的時(shí)候...

你想學(xué)呀我叫你呀谈秫，從此就可以有正當(dāng)理由聊了呀扒寄，你是否遇到你這樣子的女同學(xué)呢？

公眾號：IT加載中（it_loading）
CSDN：https://blog.csdn.net/JinglongSource
博客：https://shaines.cn/
郵箱：for.houyu@qq.com

程序員[ 后宇 ]拟烫，是一個(gè)關(guān)注編程该编，熱愛技術(shù)的Java后端開發(fā)者，熱衷于 [ Java后端 ]硕淑，[ 數(shù)據(jù)爬蟲領(lǐng)域 ]课竣。不定期分享 I T 技能和干貨！喜颁！歡迎關(guān)注 "IT加載中"稠氮，一個(gè)只出干貨和實(shí)戰(zhàn) 的公眾號。