主頁 > 前端設計 > 知網爪巴蟲 2.0

知網爪巴蟲 2.0

2020-09-13 04:25:01 前端設計

  • 增加中圖分類號轉類名
  • 手動在網頁輸入檢索詞
#!/usr/bin/env python
# coding: utf-8


from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.common.action_chains import ActionChains

import time
import requests
import zipfile
import os
import pandas as pd
import re
import traceback
from bs4 import BeautifulSoup


# # 安裝 chrome 驅動


def un_zip(file_name, to_dir='./'):
    """unzip zip file"""
    zip_file = zipfile.ZipFile(file_name)
    if os.path.isdir(to_dir):
        pass
    else:
        os.mkdir(to_dir)
    for names in zip_file.namelist():
        zip_file.extract(names, to_dir)
    zip_file.close()


def download_driver(to_dir='./', version=''):
    print('install chrome-driver first')
    url = 'http://npm.taobao.org/mirrors/chromedriver/LATEST_RELEASE'
    if len(version)>0:
        url = 'http://npm.taobao.org/mirrors/chromedriver/LATEST_RELEASE_'+version
        
    version = requests.get(url).content.decode('utf8')
    driver_file = 'http://npm.taobao.org/mirrors/chromedriver/' + version + '/chromedriver_win32.zip'
    r = requests.get(driver_file)
    download_zip = "chromedriver_win32.zip"
    with open(download_zip, "wb") as code:
        code.write(r.content)
    un_zip(download_zip,  to_dir)
    os.remove(download_zip)



#初始化一個瀏覽器(使用Chrome需安裝chromedriver)
try:
    driver = webdriver.Chrome()
except Exception as e:
    download_driver(to_dir='./', version='76')
    driver = webdriver.Chrome()

driver.get("https://kns.cnki.net/kns8/AdvSearch")


# # 中圖分類鍵值對


kv = pd.read_csv('中圖分類號.csv', names = ['k','v'], delimiter=',')
kv = kv.set_index('k')

def search_class_name(i):
    v = ''
    if type(i) is str:
        k = i.split(';')[0]

        while len(k) > 0 and not k in kv.index:
            k = k[:-1]
        if len(k)>0:
            v = kv.loc[k]['v']
    return v


# # 手動在瀏覽器中輸入檢索詞


input('請在彈出的瀏覽器中輸入檢索詞,待結果出現后,輸入任意字符繼續:')


# # 開始爬取

result_file = 'result88.csv'  # 保存位置


failed_list = []  # 爬取出錯的頁面


encoding = 'utf_8_sig'
end = False
while(not end):

    if os.path.exists(result_file):
        result = pd.read_csv(result_file, encoding=encoding)
    else:
        result = pd.DataFrame(columns=[
            '論文ID',
            '題名',  
            '作者', 
            '來源', 
            '發表時間', 
            '資料庫',
            '被引', 
            '專輯', 
            '專題',
            '分類號',
            '中圖分類', 
            '摘要', 
            '關鍵詞'
        ])

    time.sleep(1)

    try:
        html = driver.page_source
        html = BeautifulSoup(html, 'lxml')
        table = html.find('table', {'class': 'result-table-list'}).findAll('tr')
    except:
        s = input('請在網頁中輸入驗證碼,或檢查其他錯誤,待頁面加載出來后,在此輸入任意字符:')
        html = driver.page_source
        html = BeautifulSoup(html, 'lxml')
        table = html.find('table', {'class': 'result-table-list'}).findAll('tr')

    for tr in table[1:]:
        try:
            time.sleep(0.5)
            td_name = tr.find('td',{'class':'name'})
            title = td_name.a.get_text().strip()
            authors = tr.find('td',{'class':'author'}).text
            source = tr.find('td',{'class':'source'}).text.strip()
            date = tr.find('td',{'class':'date'}).text.strip()
            data = tr.find('td',{'class':'data'}).text.strip()
            quote = tr.find('td',{'class':'quote'}).text.strip()
            keywords = ''
            abstract = ''
            collection = ''
            topic = ''
            class_id = ''
            
            # 正常情況
            if 'DbCode' in str(td_name) and 'DbName' in str(td_name):
                dbcode = re.findall('DbCode=(.*?)[&|"]',str(td_name))[0]
                dbname = re.findall('DbName=(.*?)[&|"]',str(td_name))[0]
                filename = re.findall('FileName=(.*?)[&|"]',str(td_name))[0]
                url = 'https://kns.cnki.net/kcms/detail/detail.aspx?dbcode={}&dbname={}&filename={}'.format(dbcode,dbname,filename)
                detail_page = requests.get(url).text
                detail_page = BeautifulSoup(detail_page,'lxml')
                

                abstract_ = detail_page.find('span',{'class':'abstract-text'})
                if abstract_ is not None:
                    abstract = abstract_.text
                    
                
                keywords_ = detail_page.find('p',{'class':'keywords'})
                if keywords_ is not None:
                    keywords = ' '.join([i.strip() for i in keywords_.text.split('\r\n')])

                
                div_doc = detail_page.find('div',{'class':'doc'})
                if div_doc is not None:
                    
                    collection_ = div_doc.findAll(lambda tag: tag.get('class') is not None and 'top-space' in tag.get('class') and '專輯' in tag.text)
                    if len(collection_) > 0:
                        collection = collection_[0].p.text
                
                    topic_ = div_doc.findAll(lambda tag: tag.get('class') is not None and 'top-space' in tag.get('class') and '專題' in tag.text)
                    if len(topic_) > 0:
                        topic = topic_[0].p.text
                
                    class_id_ = div_doc.findAll(lambda tag: tag.get('class') is not None and 'top-space' in tag.get('class') and '分類號' in tag.text)
                    if len(class_id_) > 0:
                        class_id = class_id_[0].p.text
                
                	# 可能是成果
                    if len(keywords) == 0 and len(abstract) == 0:  
                        brief = div_doc.find('div',{'class':'brief'})
                        
                        if brief is not None:
                            keywords_ = div_doc.findAll(lambda tag: tag.get('class') is not None and 'row' in tag.get('class') and '關鍵詞' in tag.text)
                            if len(keywords_) > 0:
                                keywords = keywords_[0].p.text
                                keywords = ' '.join([i.strip() for i in keywords.split('\r\n')])

                            abstract_ = div_doc.findAll(lambda tag: tag.get('class') is not None and 'row' in tag.get('class') and '成果簡介' in tag.text)
                            if len(abstract_) > 0:
                                abstract = abstract_[0].p.text

                            class_id_ = div_doc.findAll(lambda tag: tag.get('class') is not None and 'row' in tag.get('class') and '中圖分類號' in tag.text)
                            if len(class_id_) > 0:
                                class_id = class_id_[0].p.text
                            
                            
                
                
            # 英文
            elif 'RedirectScholar':
                tablename = re.findall('tablename=(.*?)[&|"]',str(td_name))[0]
                filename = re.findall('filename=(.*?)[&|"]',str(td_name))[0]
                url = 'https://schlr.cnki.net/Detail/index/{}/{}'.format(tablename, filename)
                detail_page = requests.get(url).text
                detail_page = BeautifulSoup(detail_page,'lxml')
                div_doc = detail_page.find('div',{'class':'right-top'})
                if div_doc is not None:
                    keywords = div_doc.find('div',{'class':'doc-keyword doc-item'})                                      .find('span',{'class':'value'}).text
                    abstract = div_doc.find('div',{'class':'doc-summary doc-item show'})                                      .find('span',{'class':'value'}).text

                
            result.loc[result.shape[0]] = {
                '論文ID'    : url,
                '題名'      : title,
                '作者'      : authors,
                '來源'      : source,
                '發表時間'  : date,
                '資料庫'    : data,
                '被引'      : quote,
                '專輯'      : collection,
                '專題'      : topic,
                '分類號'    : class_id,
                '中圖分類'  : search_class_name(class_id),
                '摘要'      : abstract, 
                '關鍵詞'    : keywords
            }
            print(result.iloc[-1],'\n')
            
        except Exception as e:
            print('獲取資訊失敗:'+title)
            print('錯誤資訊    :')
            traceback.print_exc()
            print()
            failed_list.append(title)

    result.to_csv(result_file, index=False, encoding=encoding)
    
    end = True
    page_links = driver.find_elements_by_xpath('//div[@class="pages"]/a')
    for a in page_links:
        if '下一頁' in a.text:
            end=False
            print('進入下一頁\n')
            a.click()

result.to_csv(result_file, index=False, encoding=encoding)
print('{} 篇文章抓取失敗'.format(len(failed_list)))
for i in failed_list:
    print(i)

轉載請註明出處,本文鏈接:https://www.uj5u.com/qianduan/20044.html

標籤:其他

上一篇:python實作郵件回圈自動發件

下一篇:Embedding理解及keras中Embedding引數詳解,代碼案例說明

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
  • vue移動端上拉加載

    可能做得過于簡單或者比較low,請各位大佬留情,一起探討技術 ......

    uj5u.com 2020-09-10 04:38:07 more
  • 優美網站首頁,頂部多層導航

    一個個人用的瀏覽器首頁,可以把一下常用的網站放在這里,平常打開會比較方便。 第一步,HTML代碼 <script src=https://www.cnblogs.com/szharf/p/"js/jquery-3.4.1.min.js"></script> <div id="navigate"> <ul> <li class="labels labels_1"> ......

    uj5u.com 2020-09-10 04:38:47 more
  • 頁面為要加<!DOCTYPE html>

    最近因為寫一個js函式,需要用到$(window).height(); 由于手寫demo的時候,過于自信,其實對前端方面的認識也不夠體系,用文本檔案直接敲出來的html代碼,第一行沒有加上<!DOCTYPE html> 導致了$(window).height();的結果直接是整個document的高 ......

    uj5u.com 2020-09-10 04:38:52 more
  • WordPress網站程式手動升級要做好資料備份

    WordPress博客網站程式在進行升級前,必須要做好網站資料的備份,這個問題良家佐言是遇見過的;在剛開始接觸WordPress博客程式的時候,因為升級問題和博客網站的修改的一些嘗試,良家佐言是吃盡了苦頭。因為購買的是西部數碼的空間和域名,每當佐言把自己的WordPress博客網站搞到一塌糊涂的時候 ......

    uj5u.com 2020-09-10 04:39:30 more
  • WordPress程式不能升級為5.4.2版本的原因

    WordPress是一款個人博客系統,受到英文博客愛好者和中文博客愛好者的追捧,并逐步演化成一款內容管理系統軟體;它是使用PHP語言和MySQL資料庫開發的,用戶可以在支持PHP和MySQL資料庫的服務器上使用自己的博客。每一次WordPress程式的更新,就會牽動無數WordPress愛好者的心, ......

    uj5u.com 2020-09-10 04:39:49 more
  • 使用CSS3的偽元素進行首字母下沉和首行改變樣式

    網頁中常見的一種效果,首字改變樣式或者首行改變樣式,效果如下圖。 代碼: <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, ......

    uj5u.com 2020-09-10 04:40:09 more
  • 關于a標簽的講解

    什么是a標簽? <a> 標簽定義超鏈接,用于從一個頁面鏈接到另一個頁面。 <a> 元素最重要的屬性是 href 屬性,它指定鏈接的目標。 a標簽的語法格式:<a href=https://www.cnblogs.com/summerxbc/p/"指定要跳轉的目標界面的鏈接">需要展示給用戶看見的內容</a> a標簽 在所有瀏覽器中,鏈接的默認外觀如下: 未被訪問的鏈接帶 ......

    uj5u.com 2020-09-10 04:40:11 more
  • 前端輪播圖

    在需要輪播的頁面是引入swiper.min.js和swiper.min.css swiper.min.js地址: 鏈接:https://pan.baidu.com/s/15Uh516YHa4CV3X-RyjEIWw 提取碼:4aks swiper.min.css地址 鏈接:https://pan.b ......

    uj5u.com 2020-09-10 04:40:13 more
  • 如何設定html中的背景圖片(全屏顯示,且不拉伸)

    1 <style>2 body{background-image:url(https://uploadbeta.com/api/pictures/random/?key=BingEverydayWallpaperPicture); 3 background-size:cover;background ......

    uj5u.com 2020-09-10 04:40:16 more
  • Java學習——HTML詳解(上)

    HTML詳解 初識HTML Hyper Text Markup Language(超文本標記語言) 1 <!--DOCTYPE:告訴瀏覽器我們要使用什么規范--> 2 <!DOCTYPE html> 3 <html lang="en"> 4 <head> 5 <!--meta 描述性的標簽,描述一些 ......

    uj5u.com 2020-09-10 04:40:33 more
最新发布
  • 我的第一個NPM包:panghu-planebattle-esm(胖虎飛機大戰)使用說明

    好家伙,我的包終于開發完啦 歡迎使用胖虎的飛機大戰包!! 為你的主頁添加色彩 這是一個有趣的網頁小游戲包,使用canvas和js開發 使用ES6模塊化開發 效果圖如下: (覺得圖片太sb的可以自己改) 代碼已開源!! Git: https://gitee.com/tang-and-han-dynas ......

    uj5u.com 2023-04-20 07:59:23 more
  • 生產事故-走近科學之消失的JWT

    入職多年,面對生產環境,盡管都是小心翼翼,慎之又慎,還是難免捅出簍子。輕則滿頭大汗,面紅耳赤。重則系統停擺,損失資金。每一個生產事故的背后,都是寶貴的經驗和教訓,都是專案成員的血淚史。為了更好地防范和遏制今后的各類事故,特開此專題,長期更新和記錄大大小小的各類事故。有些是親身經歷,有些是經人耳傳口授 ......

    uj5u.com 2023-04-18 07:55:04 more
  • 記錄--Canvas實作打飛字游戲

    這里給大家分享我在網上總結出來的一些知識,希望對大家有所幫助 打開游戲界面,看到一個畫面簡潔、卻又富有挑戰性的游戲。螢屏上,有一個白色的矩形框,里面不斷下落著各種單詞,而我需要迅速地輸入這些單詞。如果我輸入的單詞與螢屏上的單詞匹配,那么我就可以獲得得分;如果我輸入的單詞錯誤或者時間過長,那么我就會輸 ......

    uj5u.com 2023-04-04 08:35:30 more
  • 了解 HTTP 看這一篇就夠

    在學習網路之前,了解它的歷史能夠幫助我們明白為何它會發展為如今這個樣子,引發探究網路的興趣。下面的這張圖片就展示了“互聯網”誕生至今的發展歷程。 ......

    uj5u.com 2023-03-16 11:00:15 more
  • 藍牙-低功耗中心設備

    //11.開啟藍牙配接器 openBluetoothAdapter //21.開始搜索藍牙設備 startBluetoothDevicesDiscovery //31.開啟監聽搜索藍牙設備 onBluetoothDeviceFound //30.停止監聽搜索藍牙設備 offBluetoothDevi ......

    uj5u.com 2023-03-15 09:06:45 more
  • canvas畫板(滑鼠和觸摸)

    <!DOCTYPE html> <html> <head> <meta charset="utf-8"> <title>canves</title> <style> #canvas { cursor:url(../images/pen.png),crosshair; } #canvasdiv{ bo ......

    uj5u.com 2023-02-15 08:56:31 more
  • 手機端H5 實作自定義拍照界面

    手機端 H5 實作自定義拍照界面也可以使用 MediaDevices API 和 <video> 標簽來實作,和在桌面端做法基本一致。 首先,使用 MediaDevices.getUserMedia() 方法獲取攝像頭媒體流,并將其傳遞給 <video> 標簽進行渲染。 接著,使用 HTML 的 < ......

    uj5u.com 2023-01-12 07:58:22 more
  • 記錄--短視頻滑動播放在 H5 下的實作

    這里給大家分享我在網上總結出來的一些知識,希望對大家有所幫助 短視頻已經無數不在了,但是主體還是使用 app 來承載的。本文講述 H5 如何實作 app 的視頻滑動體驗。 無聲勝有聲,一圖頂百辯,且看下圖: 網址鏈接(需在微信或者手Q中瀏覽) 從上圖可以看到,我們主要實作的功能也是本文要講解的有: ......

    uj5u.com 2023-01-04 07:29:05 more
  • 一文讀懂 HTTP/1 HTTP/2 HTTP/3

    從 1989 年萬維網(www)誕生,HTTP(HyperText Transfer Protocol)經歷了眾多版本迭代,WebSocket 也在期間萌芽。1991 年 HTTP0.9 被發明。1996 年出現了 HTTP1.0。2015 年 HTTP2 正式發布。2020 年 HTTP3 或能正... ......

    uj5u.com 2022-12-24 06:56:02 more
  • 【HTML基礎篇002】HTML之form表單超詳解

    ??一、form表單是什么

    ??二、form表單的屬性

    ??三、input中的各種Type屬性值

    ??四、標簽 ......

    uj5u.com 2022-12-18 07:17:06 more