IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> Python知识库 -> Python-Seleniu批量爬取知网论文 -> 正文阅读

[Python知识库]Python-Seleniu批量爬取知网论文

selenium是很简单的爬虫工具,原理就是根据HTML代码,搜索到对应的标签然后模拟手动点击操作,HTML源码右击网页点击检查然后手动找到需要操作的元素。

第一步

下载chrome对应版本的webdriver,我的环境是macos,因此参考了如下文章:Mac安装Chromedriver

第二步

学会selenium基本语法,找个博客参考一下就行了。一般有几种定位方式,相对定位一般来说好用一些,如果使用绝对定位可能因为url的刷新搜索不到对应地址的标签。

Python Selenium库的使用

第三步

有一些注意事项:

  • 因为网页刷新有延迟时间,因此需要睡眠一定时间等待网页刷新,否则可能经常抛出异常
  • 有时候还是定位不到对应的标签,如果遇到异常就尝试再次定位,当然也有可能本身该标签元素不存在
  • 知网对爬虫有一定监测,有时会异常结束,有时需要输入验证码。异常结束采取的方法是记录上次爬到了第几篇文章,下次运行定位到下一篇文章开始爬取。验证码这个需要手动输入,速度快点,因为有时仅仅是翻了好多页就需要输入验证码。

代码参考

import csv
import time
from selenium import webdriver
from selenium.webdriver.common.by import By

# 校园vpn知网入口,这一部分根据自身学校自行调整

'''
driver = webdriver.Chrome()
driver.maximize_window()
driver.get('vpn链接')
account = '学号'
password = '密码'
input_account = driver.find_element(By.ID, 'user_login')
input_account.send_keys(account)
input_password = driver.find_element(By.ID, 'user_password')
input_password.send_keys(password)
time.sleep(5)
login_button = driver.find_element(By.NAME, 'commit')
login_button.click()


# 进入知网入口
href = driver.find_element(By.CLASS_NAME, 'date_show_2').find_elements(By.TAG_NAME, 'dl')[4].find_element(By.TAG_NAME, 'a')
href.click()
time.sleep(5)
'''


# 进入知网的高级检索目录
advanced_search = driver.find_element(By.ID, 'highSearch')
advanced_search.click()
time.sleep(5)
driver.switch_to.window(driver.window_handles[0])
driver.close()
driver.switch_to.window(driver.window_handles[0])
time.sleep(2)


# 点击学术期刊,然后点击cssci
qikan_button = driver.find_element(By.CLASS_NAME, 'doctype-menus').find_element(By.NAME, 'dbcode')
qikan_button.click()
time.sleep(3)
cssci = driver.find_element(By.XPATH, "//div[@class='extend-tit-labels' and @id='JournalSourceType']/label[5]/input")
cssci.click()

# 输入检索语句
input_key_words = driver.find_element(By.CLASS_NAME, 'input-box').find_element(By.TAG_NAME, 'input')
# key_words = input("输入检索语句:")  # 手动输入
key_words = "XXXXX"
input_key_words.send_keys(key_words)

# 点击检索按钮
search_button = driver.find_element(By.CLASS_NAME, 'search-buttons').find_element(By.TAG_NAME, 'input')
search_button.click()
time.sleep(20)

# # 点击设置检索年限(出了问题,这里采用的策略是点击检索后进程睡眠较长一段时间,手动设置年限)
# driver.find_element(By.ID, 'divGroup').find_elements(By.TAG_NAME, 'dl')[2].click()
# time.sleep(1)
# year_set = driver.find_element(By.ID, 'divGroup').find_elements(By.TAG_NAME, 'dl')[2].find_element(By.XPATH, "//ul/li[4]/input")
# year_set.click()
# time.sleep(2)

# 得到一共有多少条结果以及页数
results = driver.find_element(By.CLASS_NAME, 'pagerTitleCell').find_element(By.TAG_NAME, 'em').text
string = ""
for chr in results:
    if '0' <= chr and chr <= '9':
        string += chr
num_results = int(string)
num_pages = int(num_results/20)
if num_results % 20 != 0:
    num_pages += 1

count = 0
preNum = 2561

while True:
    ok = False
    try:
        next_pages = driver.find_element(By.CLASS_NAME, 'pages').find_elements(By.TAG_NAME, 'a')
    except Exception:
        time.sleep(10)
        next_pages = driver.find_element(By.CLASS_NAME, 'pages').find_elements(By.TAG_NAME, 'a')
    for i in range(2, len(next_pages) - 1):
        page = int(next_pages[i].text)
        if ((page - 1) * 20 < preNum) and (preNum <= page * 20):
            ok = True
            count = (page - 1) * 20
            next_pages[i].click()
            break
    if ok:
        break
    else:
        next_pages[-2].click()
        time.sleep(5)

# 设置好csv文件
csv_file = open("/Users/lianyuhao/projects/WordCloud/csv/minzurentong.csv", 'a')
csv_writer = csv.writer(csv_file)
if preNum == 0:
    csv_writer.writerow(['编号', '文章名', '作者', '文献来源', '关键词', '摘要'])

# 提取出每页每篇文档的信息写入csv文件
for j in range(0, num_pages, 1):
    time.sleep(5)
    seq_tags = driver.find_elements(By.CLASS_NAME, 'seq')
    author_tags = driver.find_elements(By.CLASS_NAME, 'author')  # 作者
    source_tags = driver.find_elements(By.CLASS_NAME, 'source')  # 来源
    time.sleep(2)

    for i in range(len(seq_tags)):
        count = count + 1
        if count < preNum:
            continue
        # 获取url可能页面刷新后新旧元素异常,如果异常尝试获取两次
        # 获取编号
        try:
            index = seq_tags[i].find_element(By.TAG_NAME, 'input').get_attribute('data-cur')
        except Exception:
            time.sleep(3)
            index = seq_tags[i].find_element(By.TAG_NAME, 'input').get_attribute('data-cur')
        time.sleep(2)
        temp = []
        # 获取作者
        try:
            author_a_tags = author_tags[i].find_elements(By.TAG_NAME, 'a')
            for k in author_a_tags:
                temp.append(k.text)
        except Exception:
            time.sleep(3)
            author_a_tags = author_tags[i].find_elements(By.TAG_NAME, 'a')
            for k in author_a_tags:
                temp.append(k.text)
        authors = ';'.join(temp)
        time.sleep(2)
        # 获取期刊来源
        try:
            source = source_tags[i].find_element(By.TAG_NAME, 'a').text
        except Exception:
            time.sleep(3)
            source = source_tags[i].find_element(By.TAG_NAME, 'a').text
        time.sleep(2)
        # 获取每篇文章的url
        try:
            target_str = seq_tags[i].find_element(By.TAG_NAME, 'input').get_attribute('value')
        except Exception:
            time.sleep(3)
            target_str = seq_tags[i].find_element(By.TAG_NAME, 'input').get_attribute('value')
        # 这里的value以"!"分割dbname和filename,取出前两个即可
        dbcode = target_str[0:4]
        split_string = target_str.split("!")
        dbname = split_string[0]
        filename = split_string[1]
        url = 'https://kns-cnki-net-443.webvpn.scuec.edu.cn/kcms/detail/detail.aspx?dbcode=' + dbcode + '&dbname=' + dbname + '&filename=' + filename
        # 进入url链接
        driver.execute_script('window.open()')
        driver.switch_to.window(driver.window_handles[-1])  # 切换到最新页面
        driver.get(url)
        # 获取文章标题
        try:
            title = driver.find_element(By.CLASS_NAME, "wx-tit").find_element(By.TAG_NAME, 'h1').text
        except Exception:
            time.sleep(3)
            title = driver.find_element(By.CLASS_NAME, "wx-tit").find_element(By.TAG_NAME, 'h1').text
        time.sleep(2)
        # 获取文章摘要
        try:
            summary = driver.find_element(By.CLASS_NAME, "abstract-text").text
        except Exception:
            summary = ""
        time.sleep(2)
        keywords = ""
        # 获取关键字
        try:
            keywords_tags = driver.find_element(By.CLASS_NAME, "keywords").find_elements(By.TAG_NAME, 'a')
            for k in keywords_tags:
                keywords = keywords + k.text
        except Exception:
            pass
        time.sleep(2)
        csv_writer.writerow([index, title, authors, source, keywords, summary])
        print("第" + index + "篇论文爬取成功!")
        driver.close()
        # 关闭当前页面后要再次切换为第一个页面否则会bug
        driver.switch_to.window(driver.window_handles[0])

    time.sleep(5)
    # 翻到下一页,若有 x 页则翻页 x - 1 次
    if j < num_pages - 1:
        try:
            next_page = driver.find_element(By.CLASS_NAME, 'pages').find_elements(By.TAG_NAME, 'a')[-1]
        except Exception:
            time.sleep(3)
            next_page = driver.find_element(By.CLASS_NAME, 'pages').find_elements(By.TAG_NAME, 'a')[-1]
        next_page.click()
        time.sleep(5)
driver.close()
  Python知识库 最新文章
Python中String模块
【Python】 14-CVS文件操作
python的panda库读写文件
使用Nordic的nrf52840实现蓝牙DFU过程
【Python学习记录】numpy数组用法整理
Python学习笔记
python字符串和列表
python如何从txt文件中解析出有效的数据
Python编程从入门到实践自学/3.1-3.2
python变量
上一篇文章           查看所有文章
加:2022-03-11 22:09:03  更:2022-03-11 22:11:21 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年12日历 -2024/12/29 18:20:21-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码
数据统计