主頁 > 後端開發 > Python爬蟲爬取ECVA論文標題作者摘要關鍵字等資訊并存盤到mysql資料庫

Python爬蟲爬取ECVA論文標題作者摘要關鍵字等資訊并存盤到mysql資料庫

2021-06-14 06:11:39 後端開發

網站截圖:

 

 

 

 源代碼:

  1 import re
  2 import requests
  3 import pymysql
  4 from bs4 import BeautifulSoup
  5 import lxml
  6 import traceback
  7 import time
  8 import json
  9 from lxml import etree
 10 def query(sql,*args):
 11     """
 12     封裝通用查詢
 13     :param sql:
 14     :param args:
 15     :return: 回傳查詢結果以((),(),)形式
 16     """
 17     conn,cursor = get_conn();
 18     cursor.execute(sql)
 19     res=cursor.fetchall()
 20     close_conn(conn,cursor)
 21     return res
 22 def get_paper():
 23     #https://www.ecva.net/papers/eccv_2020/papers_ECCV/html/343_ECCV_2020_paper.php
 24     url='https://www.ecva.net/papers.php'
 25     headers = {
 26         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36'
 27     }
 28     response=requests.get(url,headers)
 29     response.encoding='utf-8'
 30     page_text=response.text
 31     #輸出頁面html
 32     # print(page_text)
 33     soup = BeautifulSoup(page_text,'lxml')
 34     all_dt=soup.find_all('dt',class_='ptitle')
 35     print("dt:"+str(len(all_dt)))
 36     #暫存資訊
 37     temp_res=[]
 38     #最后結果集
 39     res=[]
 40     #鏈接
 41     link_res = []
 42     for dt in all_dt:
 43         single_dt=str(dt)
 44         single_soup=BeautifulSoup(single_dt,'lxml')
 45         title=single_soup.find('a').text
 46         #存標題
 47         temp_res.append(title[2:])
 48         #存摘要
 49 
 50         #存關鍵字
 51 
 52         #存源鏈接
 53         sourcelink=single_soup.find('a')['href']
 54         sourcelink="https://www.ecva.net/"+sourcelink
 55         temp_res.append(sourcelink)
 56         res.append(temp_res)
 57         temp_res=[]
 58     #爬取作者和pdf檔案鏈接
 59     all_dd=soup.find_all('dd')
 60     print("dd:"+str(len(all_dd)))
 61     flag=0
 62     temp_link=[]
 63     author=[]       #作者串列 一層list
 64     for item in all_dd:
 65         if(flag%2==0):
 66             #保存作者
 67             author.append(item)
 68         else:
 69             linktext=str(item)
 70             linksoup=BeautifulSoup(linktext,'lxml')
 71             link_list=linksoup.find_all('a')
 72             for i in link_list:
 73                 if(i.get('href')==None):
 74                     temp_link.append("fakelink")
 75                 else:
 76                     # print(i)
 77                     if("http" not in str(i.get('href')) and "papers" in str(i.get('href'))):
 78                         temp_link.append(("https://www.ecva.net/"+str(i.get('href'))))
 79                     else:
 80                         temp_link.append(i.get('href'))
 81             print(temp_link)
 82             link_res.append(temp_link)
 83             temp_link=[]
 84             #決議download 和 pdfinfo
 85         flag = flag + 1
 86     """
 87     繼續使用beautifulsoup
 88     download_text 和 pdfinfo_text
 89     存盤author
 90     "https://www.ecva.net/"
 91     """
 92     linkflag=1
 93     print("------------------------------")
 94     #把作者和download pdfinfo 存到res
 95     for i in range(0,len(author)):
 96         #添加作者
 97         str_author=str(author[i])
 98         new_author=str_author.replace("<dd>","")
 99         new_author=new_author.replace(" </dd>","")
100         new_author = new_author.replace("\n", "")
101         res[i].append(new_author)
102         # print("link_res:"+str(len(link_res)))
103         if(len(link_res[i])==2):
104             #添加download
105             res[i].append(link_res[i][0])
106             #添加pdfinfo
107             res[i].append(link_res[i][1])
108         else:
109             # 添加download
110             res[i].append(link_res[i][0])
111             # 添加pdfinfo
112             res[i].append(link_res[i][2])
113     print("----------------------")
114     # print(len(author))
115     # print(len(download))
116     # print(len(pdfinfo))
117     # for item in res:
118     #     print(item)
119     return  res
120 #############################################################
121 #繼續爬取abstract 和 keyword
122 def get_further():
123     res=get_paper()
124     temp_res=[]
125     further_res=[]
126     db_res=[]
127     sql="SELECT pdfinfo FROM pdf;"
128     db_res=query(sql)  #回傳元祖 要繼續[0]訪問資料
129     #對結果集的鏈接發起請求
130     for i in range(1358,len(db_res)):
131         url=db_res[i][0]       #獲取url
132         print(url)
133         headers={
134             "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
135                          "Chrome/91.0.4472.101 Safari/537.36"
136         }
137         try:
138             response=requests.get(url,headers)
139             response.encoding = "utf-8"
140             page_text = response.text
141             # print(page_text)
142             soup = BeautifulSoup(page_text, 'lxml')
143 
144             abstract = soup.find('p', id='Par1').text
145             #去掉\n
146             abstract = abstract.replace("\n","")
147             print("摘要:"+abstract)
148             keyword = soup.find_all('span', class_="Keyword")
149             # print(keyword)
150             # find_keyword=re.compile('<span >(.*?)</span>')
151             keyword_str = ""
152             for items in keyword:
153                 # 獲取所有文本
154                 keyword_str = keyword_str + items.get_text()
155             print("關鍵字:"+keyword_str)
156             #去掉 \xa0
157             keyword_str=keyword_str.replace("\xa0",",")
158             #去掉末尾的一個逗號
159             keyword_str = keyword_str[0:-1]
160             # 最后添加   摘要和關鍵字
161             temp_res.append(abstract)
162             temp_res.append(keyword_str)
163             further_res.append(temp_res)
164             print(temp_res)
165             print("~~~~~~~~~~~~~~~~~~~~~~~~~~~")
166             temp_res = []
167         except:
168             print("鏈接無效!")
169             try:
170                 if(len(further_res[i][0])==0):
171                     res[i].append("no abstract")
172                 else:
173                     res[i].append(further_res[i][0])
174                 if(len(further_res[i][1])==0):
175                     res[i].append("no keyword")
176                 else:
177                     res[i].append(further_res[i][1])
178                 print(res[i])
179                 # 插入資料庫
180                 # insert_paper_1(res[i], i)
181             except:
182                 print("IndexError: list index out of range")
183     return
184 
185 #連接資料庫  獲取游標
186 def get_conn():
187     """
188     :return: 連接,游標
189     """
190     # 創建連接
191     conn = pymysql.connect(host="127.0.0.1",
192                     user="root",
193                     password="000429",
194                     db="paperinfo",
195                     charset="utf8")
196     # 創建游標
197     cursor = conn.cursor()  # 執行完畢回傳的結果集默認以元組顯示
198     if ((conn != None) & (cursor != None)):
199         print("資料庫連接成功!游標創建成功!")
200     else:
201         print("資料庫連接失敗!")
202     return conn, cursor
203 #關閉資料庫連接和游標
204 def close_conn(conn, cursor):
205     if cursor:
206         cursor.close()
207     if conn:
208         conn.close()
209     return 1
210 def insert_paper_0():
211     conn,cursor=get_conn()
212     res=get_paper()
213     print(f"{time.asctime()}開始插入論文詳情資料")
214     try:
215         sql = "insert into paper (title,sourcelink,author,download,abstract,keyword) values(%s,%s," \
216               "%s,%s,%s,%s)"
217         for item in res:
218             print(item)
219             # 例外捕獲,防止資料庫主鍵沖突
220             try:
221                 cursor.execute(sql, [item[0], item[1], item[2], item[3],"",""])
222             except pymysql.err.IntegrityError:
223                 print("重復!")
224         print("###########################")
225         conn.commit()  # 提交事務 update delete insert操作
226         print(f"{time.asctime()}插入論文詳情資料完畢")
227     except:
228         traceback.print_exc()
229     finally:
230         close_conn(conn, cursor)
231     return
232 #########################################
233 def insert_paper_1(res,count):
234     conn,cursor=get_conn()
235     print(f"{time.asctime()}開始插入論文詳情資料")
236     try:
237         sql = "insert into paper (title,sourcelink,author,download,abstract,keyword) values(%s,%s," \
238               "%s,%s,%s,%s)"
239         print(res)
240         # 例外捕獲,防止資料庫主鍵沖突
241         try:
242             cursor.execute(sql, [res[0], res[1], res[2], res[3],res[5],res[6]])
243         except pymysql.err.IntegrityError:
244             print("重復!")
245         print("###########################")
246         conn.commit()  # 提交事務 update delete insert操作
247         print(f"{time.asctime()}插入第"+str(count+1)+"條論文詳情資料完畢")
248     except:
249         traceback.print_exc()
250     finally:
251         close_conn(conn, cursor)
252     return
253 
254 #單獨插入 pdfinfo
255 def inseet_pdf():
256     conn, cursor = get_conn()
257     res=get_paper()
258     print(f"{time.asctime()}開始插入論文pdfinfo資料")
259     try:
260         sql = "insert into pdf (id,pdfinfo) values(%s,%s)"
261         # 例外捕獲,防止資料庫主鍵沖突
262         for item in res:
263             print(item)
264             # 例外捕獲,防止資料庫主鍵沖突
265             try:
266                 cursor.execute(sql, [0,item[4]])
267             except pymysql.err.IntegrityError:
268                 print("重復!")
269         print("###########################")
270         conn.commit()  # 提交事務 update delete insert操作
271         print(f"{time.asctime()}插入論文pdfinfo完畢")
272     except:
273         traceback.print_exc()
274     finally:
275         close_conn(conn, cursor)
276     return
277 if (__name__=='__main__'):
278     get_further()
279     # inseet_pdf()

 

 

轉載請註明出處,本文鏈接:https://www.uj5u.com/houduan/287061.html

標籤:其他

上一篇:題解-P3810

下一篇:130_郵件發送

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C#(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 【C++】Microsoft C++、C 和匯編程式檔案

    ......

    uj5u.com 2020-09-10 00:57:23 more
  • 例外宣告

    相比于斷言適用于排除邏輯上不可能存在的狀態,例外通常是用于邏輯上可能發生的錯誤。 例外宣告 Item 1:當函式不可能拋出例外或不能接受拋出例外時,使用noexcept 理由 如果不打算拋出例外的話,程式就會認為無法處理這種錯誤,并且應當盡早終止,如此可以有效地阻止例外的傳播與擴散。 示例 //不可 ......

    uj5u.com 2020-09-10 00:57:27 more
  • Codeforces 1400E Clear the Multiset(貪心 + 分治)

    鏈接:https://codeforces.com/problemset/problem/1400/E 來源:Codeforces 思路:給你一個陣列,現在你可以進行兩種操作,操作1:將一段沒有 0 的區間進行減一的操作,操作2:將 i 位置上的元素歸零。最終問:將這個陣列的全部元素歸零后操作的最少 ......

    uj5u.com 2020-09-10 00:57:30 more
  • UVA11610 【Reverse Prime】

    本人看到此題沒有翻譯,就附帶了一個自己的翻譯版本 思考 這一題,它的第一個要求是找出所有 $7$ 位反向質數及其質因數的個數。 我們應該需要質數篩篩選1~$10^{7}$的所有數,這里就不慢慢介紹了。但是,重讀題,我們突然發現反向質數都是 $7$ 位,而將它反過來后的數字卻是 $6$ 位數,這就說明 ......

    uj5u.com 2020-09-10 00:57:36 more
  • 統計區間素數數量

    1 #pragma GCC optimize(2) 2 #include <bits/stdc++.h> 3 using namespace std; 4 bool isprime[1000000010]; 5 vector<int> prime; 6 inline int getlist(int ......

    uj5u.com 2020-09-10 00:57:47 more
  • C/C++編程筆記:C++中的 const 變數詳解,教你正確認識const用法

    1、C中的const 1、區域const變數存放在堆疊區中,會分配記憶體(也就是說可以通過地址間接修改變數的值)。測驗代碼如下: 運行結果: 2、全域const變數存放在只讀資料段(不能通過地址修改,會發生寫入錯誤), 默認為外部聯編,可以給其他源檔案使用(需要用extern關鍵字修飾) 運行結果: ......

    uj5u.com 2020-09-10 00:58:04 more
  • 【C++犯錯記錄】VS2019 MFC添加資源不懂如何修改資源宏ID

    1. 首先在資源視圖中,添加資源 2. 點擊新添加的資源,復制自動生成的ID 3. 在解決方案資源管理器中找到Resource.h檔案,編輯,使用整個專案搜索和替換的方式快速替換 宏宣告 4. Ctrl+Shift+F 全域搜索,點擊查找全部,然后逐個替換 5. 為什么使用搜索替換而不使用屬性視窗直 ......

    uj5u.com 2020-09-10 00:59:11 more
  • 【C++犯錯記錄】VS2019 MFC不懂的批量添加資源

    1. 打開資源頭檔案Resource.h,在其中預先定義好宏 ID(不清楚其實ID值應該設定多少,可以先新建一個相同的資源項,再在這個資源的ID值的基礎上遞增即可) 2. 在資源視圖中選中專案資源,按F7編輯資源檔案,按 ID 型別 相對路徑的形式添加 資源。(別忘了先把檔案拷貝到專案中的res檔案 ......

    uj5u.com 2020-09-10 01:00:19 more
  • C/C++編程筆記:關于C++的參考型別,專供新手入門使用

    今天要講的是C++中我最喜歡的一個用法——參考,也叫別名。 參考就是給一個變數名取一個變數名,方便我們間接地使用這個變數。我們可以給一個變數創建N個參考,這N + 1個變數共享了同一塊記憶體區域。(參考型別的變數會占用記憶體空間,占用的記憶體空間的大小和指標型別的大小是相同的。雖然參考是一個物件的別名,但 ......

    uj5u.com 2020-09-10 01:00:22 more
  • 【C/C++編程筆記】從頭開始學習C ++:初學者完整指南

    眾所周知,C ++的學習曲線陡峭,但是花時間學習這種語言將為您的職業帶來奇跡,并使您與其他開發人員區分開。您會更輕松地學習新語言,形成真正的解決問題的技能,并在編程的基礎上打下堅實的基礎。 C ++將幫助您養成良好的編程習慣(即清晰一致的編碼風格,在撰寫代碼時注釋代碼,并限制類內部的可見性),并且由 ......

    uj5u.com 2020-09-10 01:00:41 more
最新发布
  • Rust中的智能指標:Box<T> Rc<T> Arc<T> Cell<T> RefCell<T> Weak

    Rust中的智能指標是什么 智能指標(smart pointers)是一類資料結構,是擁有資料所有權和額外功能的指標。是指標的進一步發展 指標(pointer)是一個包含記憶體地址的變數的通用概念。這個地址參考,或 ” 指向”(points at)一些其 他資料 。參考以 & 符號為標志并借用了他們所 ......

    uj5u.com 2023-04-20 07:24:10 more
  • Java的值傳遞和參考傳遞

    值傳遞不會改變本身,參考傳遞(如果傳遞的值需要實體化到堆里)如果發生修改了會改變本身。 1.基本資料型別都是值傳遞 package com.example.basic; public class Test { public static void main(String[] args) { int ......

    uj5u.com 2023-04-20 07:24:04 more
  • [2]SpinalHDL教程——Scala簡單入門

    第一個 Scala 程式 shell里面輸入 $ scala scala> 1 + 1 res0: Int = 2 scala> println("Hello World!") Hello World! 檔案形式 object HelloWorld { /* 這是我的第一個 Scala 程式 * 以 ......

    uj5u.com 2023-04-20 07:23:58 more
  • 理解函式指標和回呼函式

    理解 函式指標 指向函式的指標。比如: 理解函式指標的偽代碼 void (*p)(int type, char *data); // 定義一個函式指標p void func(int type, char *data); // 宣告一個函式func p = func; // 將指標p指向函式func ......

    uj5u.com 2023-04-20 07:23:52 more
  • Django筆記二十五之資料庫函式之日期函式

    本文首發于公眾號:Hunter后端 原文鏈接:Django筆記二十五之資料庫函式之日期函式 日期函式主要介紹兩個大類,Extract() 和 Trunc() Extract() 函式作用是提取日期,比如我們可以提取一個日期欄位的年份,月份,日等資料 Trunc() 的作用則是截取,比如 2022-0 ......

    uj5u.com 2023-04-20 07:23:45 more
  • 一天吃透JVM面試八股文

    什么是JVM? JVM,全稱Java Virtual Machine(Java虛擬機),是通過在實際的計算機上仿真模擬各種計算機功能來實作的。由一套位元組碼指令集、一組暫存器、一個堆疊、一個垃圾回收堆和一個存盤方法域等組成。JVM屏蔽了與作業系統平臺相關的資訊,使得Java程式只需要生成在Java虛擬機 ......

    uj5u.com 2023-04-20 07:23:31 more
  • 使用Java接入小程式訂閱訊息!

    更新完微信服務號的模板訊息之后,我又趕緊把微信小程式的訂閱訊息給實作了!之前我一直以為微信小程式也是要企業才能申請,沒想到小程式個人就能申請。 訊息推送平臺🔥推送下發【郵件】【短信】【微信服務號】【微信小程式】【企業微信】【釘釘】等訊息型別。 https://gitee.com/zhongfuch ......

    uj5u.com 2023-04-20 07:22:59 more
  • java -- 緩沖流、轉換流、序列化流

    緩沖流 緩沖流, 也叫高效流, 按照資料型別分類: 位元組緩沖流:BufferedInputStream,BufferedOutputStream 字符緩沖流:BufferedReader,BufferedWriter 緩沖流的基本原理,是在創建流物件時,會創建一個內置的默認大小的緩沖區陣列,通過緩沖 ......

    uj5u.com 2023-04-20 07:22:49 more
  • Java-SpringBoot-Range請求頭設定實作視頻分段傳輸

    老實說,人太懶了,現在基本都不喜歡寫筆記了,但是網上有關Range請求頭的文章都太水了 下面是抄的一段StackOverflow的代碼...自己大修改過的,寫的注釋挺全的,應該直接看得懂,就不解釋了 寫的不好...只是希望能給視頻網站開發的新手一點點幫助吧. 業務場景:視頻分段傳輸、視頻多段傳輸(理 ......

    uj5u.com 2023-04-20 07:22:42 more
  • Windows 10開發教程_編程入門自學教程_菜鳥教程-免費教程分享

    教程簡介 Windows 10開發入門教程 - 從簡單的步驟了解Windows 10開發,從基本到高級概念,包括簡介,UWP,第一個應用程式,商店,XAML控制元件,資料系結,XAML性能,自適應設計,自適應UI,自適應代碼,檔案管理,SQLite資料庫,應用程式到應用程式通信,應用程式本地化,應用程式 ......

    uj5u.com 2023-04-20 07:22:35 more