OpenLaw法律文书采集

摘要

     这个工具解决OpenLaw的法律文书采集问题。

展示

背景

     OpenLaw 开放法律联盟，2014年成立于上海。是一个面向律师、法官、检察官、法学教师、学者、学生以及从事法律相关的工作人员的 NGO 开放型组织，OpenLaw 的用户被视为法律技术和知识的源泉，共同分享法律专业知识以及智慧和经验成果。
     OpenLaw是获取法律方面的资料的一个最有效的途径。

需求

     字段列表
     案由,标题,法院,类型,程序,案号,判决时间,审判长,审判员,书记员,原告,被告,上诉人,被上诉人,再申请人,被申请人,第三人,申诉人,被申诉人,赔偿请求人,义务机关,公诉机关,复议人,追加人,申请执行人,被执行人,原告委托人,原告代理人,原告律师,原告律师事务所,被告委托人,被告代理人,被告律师,被告律师事务所,涉及法律法规,判决内容

     位置信息

     特殊要求
     涉及相关人物时，多个用‘,’因为逗号隔开，相关人物可能为公司

     大数据问题
     大量访问的时候，网站会提示验证码，会封IP。

      显示的不完整
      有些页面，只显示到100页，需要处理这个问题

      采集难度很高
      客户已经找了4个采集人员做，都没有做下来。

功能

输入

    默认网址

输出

      输出内容
      案件信息
             案件编号.htm
             案件编号.txt
      数据文件.csv

      数据文件的字段列表如下
      网址,编号,案由,标题,法院,类型,程序,案号,判决时间,审判长,审判员,书记员,原告,被告,罪犯,上诉人,被上诉人,再申请人,被申请人,第三人,申诉人,被申诉人,赔偿请求人,义务机关,公诉机关,复议人,追加人,申请执行人,被执行人,原告委托人,原告代理人,原告律师,原告律师事务所,被告委托人,被告代理人,被告律师,被告律师事务所,涉及法律法规
      
      案件编号.htm
      保存完整的网页内容

      案件编号.txt
      保存案件正文内容，去掉所有HTML字符

处理

      枚举城市列表
      枚举城市中的法庭列表
      枚举一个法庭发出的文书
      提取文书内容，解析字段并保存。

使用

     
     采集页数：一个法庭判决的案件有许多件。案件列表页都有许多页。这个参数指定采集多少页。默认设置为1页。
     历史去重：是否以前已经采集过的就不予采集。默认为0。
     代理清单: 默认设置设置为c:\output\代理清单.txt。该文件内容放代理服务器的信息，每行是一个代理服务器。每行内容是Ip:端口。
     
     如果每天都采集，那么就可以把采集页数设置为1，历史去重设置为1。我们大致可以想象的出，一个法庭一天判决的案件不会特别多。采用这样的设置采集起来是最快的，也是很有效的。
     如果一个月采集一次，那么就必须把采集页数设置为一个很大的值。这样就可以确保把所有的案件都采集下来。

     如果你只关注某个城市的法庭判决的案件，那么你也可以把任务列表中的内容，修改为某个特定城市的网址。
     例如，你要采集“北京”的案件，那么就可以把任务列表中的内容修改为，http://openlaw.cn/justic/court.jsp?zone=%E5%8C%97%E4%BA%AC%E5%B8%82

     如果你只关注某个法庭判决的案件，那么你也可以把任务列表中的内容，修改为某个法庭的网址。
     例如，你要采集“北京市高级人民法院”的案件，那么就可以把任务列表中的内容修改为,http://openlaw.cn/court/ad0237a686644b33ac48b655a0f5271c

     如果你只关注某个特定的案件，那么你可以把任务列表中的内容修改为某个特定案件的网址。
     例如，http://openlaw.cn/judgement/c0bfd1189298493c9a57777dc53cfae0

说明

     这个网站有几个反采集措施。
     一个是网站加密的逻辑。这块采用了某些XSS注入的技术实现了代码加密。常规的访问无法获取内容。
     一个是IP保护。如果一个IP访问的页面过多，就会弹出验证码。这个只能采用高匿的代理服务器绕过。
     代理服务器必须使用高匿的代理服务器。你可以在网上百度“代理 自助”获得那些卖代理服务器的网站，然后在这些网站上就可以获取代理服务器的IP和端口信息。
     代理自助网站提供的代理不一定都是可用的，必须使用工具验证一下，把无法使用的代理服务器剔除掉。
     代理服务器的类型必须是高匿的。非高匿类型的代理服务器，都会被网站找到原始的IP。您在代理自助网站上到处代理信息的时候，必须注意这个问题。