學(xué)生信息管理微信小程序數(shù)據(jù)獲取構(gòu)建

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了學(xué)生信息管理微信小程序數(shù)據(jù)獲取構(gòu)建范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：隨著信息化建設(shè)步伐的不斷加快，為滿足校園信息化建設(shè)的要求，需要為學(xué)生開發(fā)一款基于微信小程序的學(xué)生信息管理平臺，整合學(xué)校各信息系統(tǒng)資源，方便學(xué)生使用，減少不必要的操作。該平臺將采用python爬蟲的方式，在教務(wù)系統(tǒng)、學(xué)工管理系統(tǒng)、實(shí)習(xí)平臺等獲取相關(guān)的數(shù)據(jù)，利用爬蟲實(shí)現(xiàn)帶驗(yàn)證碼和反爬機(jī)制的虛擬登陸，并通過scrapy框架獲取系統(tǒng)中的數(shù)據(jù)，實(shí)現(xiàn)資源整合。

關(guān)鍵詞：python；爬蟲；scrapy框架；資源整合

1引言

隨著學(xué)校信息化建設(shè)不斷推進(jìn)，各類系統(tǒng)平臺不斷開發(fā)并投入使用，提高了學(xué)校師生的信息化水平。但在進(jìn)行相關(guān)系統(tǒng)平臺建設(shè)的過程中，不同的部門對系統(tǒng)平臺有各自的要求，這樣導(dǎo)致學(xué)校的系統(tǒng)各自獨(dú)立，數(shù)據(jù)不互通，登錄賬戶也各不相同。如涉及學(xué)生的系統(tǒng)就包含了學(xué)工系統(tǒng)、教務(wù)管理系統(tǒng)、實(shí)習(xí)系統(tǒng)等，導(dǎo)致學(xué)校存在數(shù)據(jù)孤島的問題，數(shù)據(jù)在不同部門相互獨(dú)立存儲，獨(dú)立維護(hù)，彼此間相互孤立，形成了物理上的孤島。為了解決數(shù)據(jù)孤島的問題，需要對信息系統(tǒng)數(shù)據(jù)做進(jìn)一步的整合。在節(jié)約學(xué)校開支的前提下，開發(fā)一款基于微信小程序的學(xué)生信息平臺，通過使用python網(wǎng)絡(luò)爬蟲的方式從各個(gè)信息系統(tǒng)進(jìn)行信息的爬取最終整合到一個(gè)平臺上，方便用戶使用。本文將以獲取教務(wù)系統(tǒng)中的課程表為例，探討如何通過爬蟲，采用模擬登陸的方式，在微信小程序中快速獲取相關(guān)信息[1-3]。

2爬蟲設(shè)計(jì)

2.1技術(shù)概述

2.1.1SeleniumSelenium是一個(gè)模擬瀏覽器操作的測試工具。使用Selenium，安裝相應(yīng)的瀏覽器驅(qū)動(dòng)，便可以直接對瀏覽進(jìn)行操作，就像真正的用戶在操作一樣。兼容市面上各種主流瀏覽器包括IE（7或以上）、MozillaFirefox、Safari、GoogleChrome、Opera等。Selenium主要功能包括：用于檢驗(yàn)開發(fā)項(xiàng)目在不同瀏覽不同系統(tǒng)的兼容情況，利用腳本，使用selenium進(jìn)行模測試工作。通過創(chuàng)建回歸測試檢驗(yàn)用戶需要和軟件性能以檢驗(yàn)系統(tǒng)功能是否正常?？梢愿鶕?jù)不同的開發(fā)環(huán)境和編程語言如.NET、JAVA等進(jìn)行測試腳本的錄制工作[4]。

2.1.2requestsrequests是由python編寫的常用的網(wǎng)絡(luò)請求http庫。request代碼編寫簡潔，功能十分強(qiáng)大。在python內(nèi)置模塊的基礎(chǔ)上進(jìn)行高度的封裝，從而使得python進(jìn)行網(wǎng)絡(luò)請求時(shí)，變得人性化，使用requests可以輕而易舉完成瀏覽器的任何操作。

2.1.3ScrapyFrameworkScrapy是現(xiàn)在主流的數(shù)據(jù)爬蟲框架，用以提取網(wǎng)絡(luò)中的各種數(shù)據(jù)，有著較為廣泛的用途。Scrapy常應(yīng)用于數(shù)據(jù)挖掘、數(shù)據(jù)獲取、數(shù)據(jù)處理數(shù)據(jù)存儲等一系列過程。使用Scrapy框架可以很簡單地實(shí)現(xiàn)從互聯(lián)網(wǎng)中獲取指定網(wǎng)站中的內(nèi)容。

2.1.4TesseractOCRTesseractORC（OpticalCharacterRecognition,光學(xué)字符識別）是一個(gè)用于文字圖形轉(zhuǎn)換的開源引擎，由HP實(shí)驗(yàn)室開發(fā)并由Google進(jìn)行維護(hù)。它可以通過不斷地進(jìn)行機(jī)器訓(xùn)練，通過優(yōu)化訓(xùn)練集，來改善結(jié)果集，從而獲得自己想要的結(jié)果。2.1.5PEEWEEORMPEEWEE是python中常用的數(shù)據(jù)庫映射模塊，是一個(gè)輕量級的ORM，即對象關(guān)系映射（ObjectRelationalMapping，簡稱ORM）。其特點(diǎn)是通過映射關(guān)系對數(shù)據(jù)進(jìn)行操作，使得對各類數(shù)據(jù)庫能夠?qū)崿F(xiàn)兼容，通過映射來實(shí)現(xiàn)對數(shù)據(jù)庫的各種操作，使用戶對于數(shù)據(jù)庫的使用成本大大降低。

2.2系統(tǒng)需求及分析

網(wǎng)絡(luò)爬蟲系統(tǒng)的開發(fā)是否成功取決于系統(tǒng)能否實(shí)現(xiàn)用戶定制功能，達(dá)到預(yù)期設(shè)計(jì)目的。因此，在網(wǎng)絡(luò)爬蟲系統(tǒng)開發(fā)前，需要對該系統(tǒng)需求加以詳盡分析，從而對整體設(shè)計(jì)有一個(gè)清晰的思路。目前，普遍適用的爬蟲系統(tǒng)都是模塊化的。模塊化的程序設(shè)計(jì)有利于代碼塊的測試與維護(hù)，而且也進(jìn)一步增加了代碼的適用性。在此基礎(chǔ)上，只要對各個(gè)模塊進(jìn)行組合，就能夠構(gòu)建出一個(gè)完整的爬蟲系統(tǒng)。本文以獲取學(xué)院教務(wù)系統(tǒng)中的課程表為例，開展模塊化的編程設(shè)計(jì)。由于爬取教務(wù)系統(tǒng)中的數(shù)據(jù)前需要進(jìn)行登錄操作，所以想要獲取系統(tǒng)中的相應(yīng)信息就必須解決如何登錄的問題，包括如何自動(dòng)填入用戶賬戶和密碼、如何自動(dòng)識別驗(yàn)證碼等問題[5-6]。

2.3爬蟲設(shè)計(jì)

2.3.1爬蟲模塊介紹要爬取頁面的信息需要借助相應(yīng)的爬蟲模塊，本文所使用到的模塊包括：requests，python中常用的發(fā)起網(wǎng)絡(luò)請求的模塊；Scrapy，python中最主流的爬蟲框架；peewee，輕量級ORM框架，用于python和Mysql等數(shù)據(jù)庫的映射操作；selenuim，用于網(wǎng)頁測試的模塊，使用該模塊來實(shí)現(xiàn)模擬登陸的環(huán)節(jié)；Pillow，python中常用的圖片處理模塊，使用該模塊對驗(yàn)證碼進(jìn)行處理；Tesseract，python中圖像識別的模塊，利用OCR光學(xué)字符識別對驗(yàn)證碼進(jìn)行識別。

2.3.2流程分析（1）使用selenium模塊調(diào)用瀏覽器打開指定頁面，利用Xpath定位到用戶名和密碼輸入框，并通過send_key()方法，填入用戶名和密碼。（2）使用Pillow模塊配合selenuim截取頁面中的驗(yàn)證碼部分，通過Pillow對登陸驗(yàn)證碼進(jìn)行預(yù)處理。（3）使用Tesseract-OCR對驗(yàn)證碼進(jìn)行識別。（4）登陸到頁面后保存Cookie和session，通過requests獲取目標(biāo)信息。（5）通過peewee框架將獲取到的內(nèi)容存放到Mysql。數(shù)據(jù)爬取流程如圖1所示。

3系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

為整合校內(nèi)各平臺數(shù)據(jù)資源，降低數(shù)據(jù)孤島的影響，減少學(xué)生因校內(nèi)平臺眾多所帶來的不必要的操作，開發(fā)一款針對學(xué)生的信息管理微信小程序，使得學(xué)生們只需要通過手機(jī)移動(dòng)端，便能獲取到校內(nèi)各平臺數(shù)據(jù)。數(shù)據(jù)獲取作為小程序構(gòu)建最重要的核心內(nèi)容，將通過數(shù)據(jù)爬蟲的方式進(jìn)行獲取。本文以爬取教務(wù)系統(tǒng)中的學(xué)生課程表為例。學(xué)校的教務(wù)網(wǎng)站需要用戶登錄以后才能獲取相應(yīng)用戶的信息，并且該網(wǎng)站的登陸驗(yàn)證采用的是4位數(shù)字加英文混合的驗(yàn)證碼的驗(yàn)證模式。為了解決用戶自動(dòng)登陸的問題，其中如何能夠準(zhǔn)確地識別驗(yàn)證碼將會(huì)是一個(gè)重點(diǎn)。登陸到頁面后，需要獲取目標(biāo)信息——課程表。通過requests請求系統(tǒng)中的課程表頁面URL獲取相關(guān)的信息，通過對頁面的分析，對目標(biāo)頁面發(fā)起請求，需要包含相關(guān)的cookie和header，否則將無法從目標(biāo)頁面獲取想要的信息[7-9]。

3.1登錄信息設(shè)計(jì)

登錄信息主要涉及到登錄頁面中的用戶名、用戶密碼以及驗(yàn)證，只有三者皆輸入正確后，才可以登錄到后臺的頁面。其中用戶名和密碼為確定值，而驗(yàn)證碼是一個(gè)隨機(jī)值，在解決自動(dòng)登陸的環(huán)節(jié)中，主要是解決驗(yàn)證碼的問題。首先通過selenium操控瀏覽器打開教務(wù)系統(tǒng)網(wǎng)站，通過Xpath快速定位到網(wǎng)頁中的用戶名、密碼和驗(yàn)證碼的輸入框。通過send_key()方法，將相關(guān)信息傳入輸入框內(nèi)，驗(yàn)證的值則需使用第三方庫進(jìn)行機(jī)器識別。

3.2驗(yàn)證碼處理設(shè)計(jì)

驗(yàn)證碼圖片是頁面代碼動(dòng)態(tài)生成，只能通過selenium定位元素，并配合pillow的crop()方法進(jìn)行截取。由于截取到的二維碼背景帶有感染，直接通過機(jī)器識別會(huì)降低識別率，所以要對圖片進(jìn)行預(yù)處理。通過pillow模塊將截取的二維碼圖片進(jìn)行二值化處理。圖像的二值化，就是將圖像上的像素點(diǎn)的灰度值兩極分化(設(shè)置為0或255，0表示黑，255表示白)，也就是將整個(gè)圖像呈現(xiàn)出明顯的只有黑和白的視覺效果。目的是加深字符與背景的顏色差，便于Tesseract的識別和分割。對于閾值的選取，使用0和255的平均值。并通過處理再將背景的干擾項(xiàng)進(jìn)一步清除，如圖2所示。將預(yù)處理完的圖片交由Tesseract-OCR進(jìn)行機(jī)器識別[10]。

3.3信息獲取設(shè)計(jì)

登陸進(jìn)系統(tǒng)后，獲取到頁面的cookie_jar，準(zhǔn)備對目標(biāo)信息進(jìn)行獲取，通過requests的get方法對目標(biāo)url發(fā)起請求并攜帶相應(yīng)的cookie信息，以獲取需要的信息。但實(shí)際操作發(fā)現(xiàn)，并不能返回正確的結(jié)果。通過對網(wǎng)頁的分析發(fā)現(xiàn)，在發(fā)起requests請求除了要攜帶cookie外，還需要有相應(yīng)的header的referer信息。通過request攜帶相應(yīng)的cookie和header后，便從目標(biāo)url中獲取到想要的數(shù)據(jù)。

3.4信息處理

通過scrapy爬蟲框架，對目標(biāo)url發(fā)起requsets請求獲取想要的數(shù)據(jù)，將獲取到信息通過輕量級ORM的框架peewee，存儲到目標(biāo)Mysql中。

4結(jié)束語

本文以爬取學(xué)校教務(wù)系統(tǒng)數(shù)據(jù)據(jù)為例，介紹了模擬登陸爬取數(shù)據(jù)的程序設(shè)計(jì)，并作為學(xué)生信息系統(tǒng)微信小程序的數(shù)據(jù)來源。該系統(tǒng)通過爬蟲獲取數(shù)據(jù)構(gòu)建，解決了學(xué)校平臺眾多、數(shù)據(jù)孤立不互通等問題，幫助學(xué)生們減少了許多不必要的操作，在小程序中集中數(shù)據(jù)呈現(xiàn)給學(xué)生，方便操作。

參考文獻(xiàn)

[1]陳紅菊.高職院校學(xué)生綜合信息管理系統(tǒng)的設(shè)計(jì)和應(yīng)用.科技展望,2016,26(24):150,152

[2]葛秀峰,戴志鋒.基于微信小程序的“掌上經(jīng)院”校園服務(wù)平臺.科技創(chuàng)新與應(yīng)用,2020(08):80-81

[3]胡玉峰.基于微信的校園信息服務(wù)平臺設(shè)計(jì)與實(shí)現(xiàn)[碩士學(xué)位論文].蘭州交通大學(xué),蘭州,2015

[4]樊濤,趙征,劉敏娟.基于Selenium的網(wǎng)絡(luò)爬蟲分析與實(shí)現(xiàn).電腦編程技巧與維護(hù),2019(09):155-156,170

[5]劉波,黃情琴,李鑫科,劉連滴,蘇澤利,余文森.微信校園便捷服務(wù)平臺的開發(fā)與實(shí)現(xiàn).現(xiàn)代信息科技,2019,3(22):86-88,91

[6]邵亞麗,黃菲,黃宇涵,陳曉純.基于微信小程序的校園心理服務(wù)系統(tǒng).計(jì)算機(jī)時(shí)代,2020(02):33-35

[7]王海玲,周志彬.基于Scrapy框架的爬蟲設(shè)計(jì).軟件導(dǎo)刊,2020,19(04):224-228

[8]常逢佳,李宗花,文靜,常逢錦.基于Python的招聘數(shù)據(jù)爬蟲設(shè)計(jì)與實(shí)現(xiàn).軟件導(dǎo)刊,2019,18(12):130-133

[9]莊旭菲,田雪.基于Scrapy和Elasticsearch的校園網(wǎng)搜索引擎的研究與實(shí)現(xiàn).科技資訊,2019,17(29):12-15

[10]潘浩,李蘭.基于Tesseract引擎樣本訓(xùn)練的驗(yàn)證碼識別.信息與電腦(理論版),2020,32(01):138-139,142

作者：郝佳睿 單位：廣東食品藥品職業(yè)學(xué)院軟件學(xué)院