主頁 >  其他 > 知網爪巴蟲 2.0

知網爪巴蟲 2.0

2020-09-12 20:50:03 其他

  • 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/qita/16964.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
  • 網閘典型架構簡述

    網閘架構一般分為兩種:三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看,三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看,三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統,“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及:虛擬機CentOs下執行 yum -y install lrzsz命令,出現錯誤:鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示:其實很簡單,往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號, sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求,SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生, 2020-08-28 16:18:25 分類專欄: kail 網路安全 linux 文章標簽: linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么? 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼: #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘(北斗授時服務器)讓網路資料更精準

    北斗電力時鐘(北斗授時服務器)讓網路資料更精準 北斗電力時鐘(北斗授時服務器)讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年,資訊技術的得了快速發展,互聯網在逐漸普及,其在人們生活和生產中都得到了廣泛應用,并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用,一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub:https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺,后來才有了CTFHub。 感覺不論是網頁UI設計,還是題目質量,賽事跟蹤,工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解(net user / type /md /rd/ dir /cd /net use copy、批處理 等) 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝,密碼啊破解03Linux常用命令04LAMP 01LINUX windows: win03 8 12 16 19 配置不繁瑣 Linux:redhat,centos(紅帽社區版),Ubuntu server,suse unix:金融機構,證券,銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 (POST注入/XSS漏洞上傳)3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題,描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章,不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》,我也是第一時間得知了這個訊息,然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本: 個人認為這件事也沒什么,還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹:metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包,它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一,它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip:192.168.20.121 靶機ip:192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k,軟體測驗工程師的漲薪史,給我看哭了

    清明節一過,盲猜大家已經無心上班,在數著日子準備過五一,但一想到銀行卡里的余額……瞬間心情就不美麗了。最近,2023年高校畢業生就業調查顯示,本科畢業月平均起薪為5825元。調查一出,便有很多同學表示自己又被平均了。看著這一資料,不免讓人想到前不久中國青年報的一項調查:近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文,所以對學習母語的我們非常不友好 使用網址:https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜,前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜,自動化測驗的需求也越來越高。如今,自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分,它們可以幫助開發人員更快地發現和修復錯誤,提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐:4個DVPP記憶體問題的典型案例解讀

    摘要:由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求(例如,記憶體首地址128位元組對齊),因此需呼叫專用的記憶體申請介面,那么本期就分享幾個關于DVPP記憶體問題的典型案例,并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》,作者:昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊,輔助滲透(埠掃描、登錄密碼爆破、漏洞驗證等) 2、encoders 編碼器模塊,主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手:與相機連接,設定相機引數,采集影像 2) 標定助手:九點標定或是其它的標定,生成標定檔案及內參外參,可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客,先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp),這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接: https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more