python爬取知网论文信息
程序员文章站
2022-05-02 20:43:12
...
背景
用Python爬取指望关于某个主题的所有论文摘要等信息。
很幸运的找到了一个大佬的代码来自己改改改！
先放大佬代码连接
Git
接下来就是我自己嚯嚯嚯改的，很小白的了。。。
应该是很详细得了
为了看懂这个代码，
我先看了另外一个大佬的比较一点简单代码，
爬取知网统计数据，并下载文献
然后学了一些关于正则匹配的（入门篇和中级篇）
正则匹配入门篇
我感觉把正则匹配学一些，然后稍微能看得懂一点的网页源码，就可以了。
打开网页——分析其源码————URL（找到每页不同的部分）——找到你需要爬去的地方——合适的正则匹配
#爬取知网论文作者，关键字，和摘要等信息，并保存在Excel里
import requests # 导入requests 模块
import re
from urllib import request
import random
import time
import xlrd
from xlrd import open_workbook
from xlutils.copy import copy
class BeautifulPicture():
def get_pic(self):
data = xlrd.open_workbook(r'C:\\flim\library_my\new.xls') # 打开xls文件，自己新建这个文件在运行路径，不然不行的哦
table = data.sheets()[0] # 打开第一张表
table2 = data.sheets()[1] # 打开第一张表
i = table.nrows #上一次爬到的表1的行数
i1 = 0
i2 = table2.nrows #上一次爬到的表2的行数
told = 0
rb = open_workbook(r'C:\\flim\library_my\new.xls','utf-8')
wb = copy(rb) # 将上一次爬到的复制到新表里，并在新表里继续添加纪录
# 通过get_sheet()获取的sheet有write()方法
ws = wb.get_sheet(0)
ws1 = wb.get_sheet(1)
p = 1 # 这里是页数
for num in range(p, p + 100):
# 这里的num是页码
web_url ='http://kns.cnki.net/kns/brief/brief.aspx?curpage=%s&Reco' \
'rdsPerPage=50&QueryID=8&ID=&turnpage=1&tpagemode=L&dbPref' \
'ix=SCDB&Fields=&DisplayMode=listmode&PageName=ASP.brief_' \
'default_result_aspx#J_ORDER&' % num #这里的URL实现了二次加载
print('搜素页的URL=',web_url)
# 这里开始是时间控制
t = int(time.clock())
print(t / 60, '分钟')
useTime = t - told
# 如果一个周期的时间使用太短，则等待一段时间
# 主要用于防止被禁
if (useTime < 120 and useTime > 10):
print("useTime=%s" % useTime)
whiteTime = 120 - useTime
print("等待%s秒" % whiteTime)
time.sleep(whiteTime)
told = int(time.clock())
print(t)
print('开始网页get请求')
r = self.request(web_url) #
# 这里是报错的解释，能知道到底是因为什么不能继续爬了
# 一开始会看爬到的源代码，但是之后正式开始爬的时候，打印页面源代码会拉低爬虫效率
yan = re.search(r'参数错误', r.text)
if yan != None:
print("参数")
break
yan = re.search(r'验证码', r.text)
if yan != None:
print("验证")
break
#这里开始抓列表里每一个文献的url
soup = re.findall(r'<TR([.$\s\S]*?)</TR>', r.text)
#print(soup)#测试打印
for a in soup:
print("-", i1)
#print(a)#测试代码
i1 += 1
name = re.search(r'_blank.*<', a)
#print('初次取的=',name)#测试代码
name = name.group()[8:-1]
#print('第二次=',name)#测试代码
name = re.sub(r'<font class=Mark>', '', name)
#print('第三次=', name) # 测试代码
name = re.sub(r'</font>', '', name)
#print('第四次=', name) # 测试代码
url = re.search(r'href=.*? ', a)#将’‘看做一个子表达式，惰性匹配一次就可以了
url = url.group()
#print('爬取的详情页的URL=',url)#测试代码
# 将爬来的相对地址，补充为绝对地址
url = "http://kns.cnki.net/KCMS/" + url[11:-2]#数字是自己数的。。。
#print("url:%s" % url) # 这里是写代码时测试留下的print记录
#下面是参考文献详情的URL
FN = re.search(r'FileName.*?&', url)#.group()#出现错误 没有匹配！！！
if FN !=None:#测试代码
FN = re.search(r'FileName.*?&', url).group()
#print(FN)#测试代码
DN = re.search(r'DbName.*?&', url)#.group()
if DN !=None:#测试代码
DN=re.search(r'DbName.*?&', url).group()
#print(DN) #测试代码
DC = re.search(r'DbCode.*?&', url).group()
DUrl = "http://kns.cnki.net/KCMS/detail/frame/list.aspx?%s%s%sRefType=1" % (FN, DN, DC)
#print('DUrl=',DUrl)#测试代码
# 这里打开文献详情页
R = self.request(DUrl)
#如果没有参考文献，则认为是劣质文献，不爬，转爬下一篇
isR = re.search(r'参考文献', R.text)
if i1 == 1:
print("没有参考文献的文章:%s" % name)
if isR == None:
continue
# 详情页
print(i)
print("文章名字:%s" % name)
d = self.request(url).text
#print('d=',d)#测试代码
# 这里是文献摘要，自己写的！！！我拷
summary = re.search(r'(?<=name="ChDivSummary">).+?(?=</span>)', d)
summary=summary.group()
#print('摘要=',summary)
type = re.search(r'"\).html\(".*?"', d)
type = type.group()[9:-1]
ins = re.search(r'TurnPageToKnet\(\'in\',\'.*?\'', d)
if ins == None:
continue
ins = ins.group()[21:-1]
wt = re.findall(r'TurnPageToKnet\(\'au\',\'.*?\'', d)
writer = ""
for w in wt:
writer = writer + "," + w[21:-1]
writer = writer[1:]
ws.write(i, 0, name) #文献名
ws.write(i, 1, writer) #作者名
ws.write(i, 2, type) #文献类别
ws.write(i, 15, num) #列表的页码
ws.write(i, 3, summary) # 摘要
ws.write(i, 16, time.strftime('%Y-%m-%d %H:%M:%S', time.localtime(time.time()))) #记录的时间
# 这里是文献的关键词，最多可以记录8个关键词
kw = re.findall(r'TurnPageToKnet\(\'kw\',\'.*?\'', d)
tnum = 0
for tkw in kw:
tnum += 1
tkw = tkw[21:-1]
if tnum > 8:
break
ws.write(i, 3 + tnum, tkw)
# 这里是文献的来源基金
fund = re.search(r'TurnPageToKnet\(\'fu\',\'.*?\'', d)
if fund != None:
fund = fund.group()[21:-1]
ws.write(i, 11, fund)
# 分类号
cn = re.search(r'ZTCLS.*?</p', d)
if cn != None:
cn = cn.group()[19:-3]
ws.write(i, 12, cn)
# 这是机构
jg = re.search(r'TurnPageToKnet\(\'in\',\'.*?\'', d)
if jg != None:
jg = jg.group()[21:-1]
#print(jg)
ws.write(i, 17, jg)
# 是否为核心期刊
sourinfo = re.search(r'sourinfo([.$\s\S]*?)</div', d)
if sourinfo != None:
sourinfo = sourinfo.group()
# print(sourinfo)
from_ = re.search(r'title.*</a', sourinfo).group()
from_ = re.sub(r'title">.*?>', '', from_)
from_ = re.sub(r'</a', '', from_)
ws.write(i, 13, from_)
core = re.search(r'中文核心期刊', sourinfo)
if core != None:
print(core.group())
ws.write(i, 14, "中文核心期刊")
# ws.write(i, 0, a)
i += 1 # 增加页码的计数
wb.save('new.xls') # 保存表格*******有改变 有问题
def request(self, url): # 返回网页的response
# print(url)
# 这里是伪造浏览器信息，和伪造来源
user_agent = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Ch' \
'rome/58.0.3029.81 Safari/537.36'
referer = "http://kns.cnki.net/kns/brief/result.aspx"
# 这里是伪造cookie，你要从浏览器里复制出来，粘贴在这里
# 可以把里面的时间不断更新，这样能爬久一点
cookie = 'cnkiUserKey=e0b40271-cdc0-fd83-36fa-9d4c5f8f2a86; RsPerPage=5' \
'0; [email protected]; UM_distinctid=161275ba757a' \
'16-0ed232d4ab2da2-6010107f-15f900-161275ba75895e; Ecp_Cli' \
'entId=3170915092701569567; ASP.NET_SessionId=3dnqvlsxovsla4' \
'ywvr2ykp4c; SID_kns=123106; SID_crrs=125131; SID_klogin=12514' \
'3; SID_krsnew=125132; SID_kcms=124113; SID_knsdelivery=125124;' \
' CNZZDATA3258975=cnzz_eid%3D995934993-1516843818-http%253A%252' \
'F%252Fkns.cnki.net%252F%26ntime%3D1517383256; Ecp_session=1; ' \
'c_m_LinID=LinID=WEEvREcwSlJHSldRa1FhdkJkVWI2VUJNODFzUHlUaC9LN' \
'XZrUDkrcXhYbz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoU' \
'KaID8j8gFw!!&ot=02/01/2018 18:13:09; LID=WEEvREcwSlJHSldRa1F' \
'hdkJkVWI2VUJNODFzUHlUaC9LNXZrUDkrcXhYbz0=$9A4hF_YAuvQ5obgVAqN' \
'KPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!; c_m_expire=2018-02-01 ' \
'18:13:09; Ecp_LoginStuts=%7B%22IsAutoLogin%22%3Afalse%2C%22U' \
'serName%22%3A%22KT1008%22%2C%22ShowName%22%3A%22%25E8%25A5%2' \
'5BF%25E5%258D%2597%25E7%259F%25B3%25E6%25B2%25B9%25E5%25A4%' \
'25A7%25E5%25AD%25A6%22%2C%22UserType%22%3A%22bk%22%2C%22r%2' \
'2%3A%22RrMW7A%22%7D'
headers = {'User-Agent': user_agent,
"Referer": referer,
"cookie": cookie}
r = requests.get(url, headers=headers, timeout=30)
return r
print(time.clock())
beauty = BeautifulPicture() # 创建类的实例
beauty.get_pic() # 执行类中的方法
#最后是爬取的信息存在Excel里面。。。
后续有空再更新更新吧，，，，