主頁 > 區塊鏈 > 知網爪巴蟲 2.0

知網爪巴蟲 2.0

2020-09-13 02:42:01 區塊鏈

  • 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/qukuanlian/19059.html

標籤:區塊鏈

上一篇:FISCO BCOS最強學習路徑,匯聚全網資源!!

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
  • JAVA使用 web3j 進行token轉賬

    最近新學習了下區塊鏈這方面的知識,所學不多,給大家分享下。 # 1. 關于web3j web3j是一個高度模塊化,反應性,型別安全的Java和Android庫,用于與智能合約配合并與以太坊網路上的客戶端(節點)集成。 # 2. 準備作業 jdk版本1.8 引入maven <dependency> < ......

    uj5u.com 2020-09-10 03:03:06 more
  • 以太坊智能合約開發框架Truffle

    前言 部署智能合約有多種方式,命令列的瀏覽器的渠道都有,但往往跟我們程式員的風格不太相符,因為我們習慣了在IDE里寫了代碼然后打包運行看效果。 雖然現在IDE中已經存在了Solidity插件,可以撰寫智能合約,但是部署智能合約卻要另走他路,沒辦法進行一個快捷的部署與測驗。 如果團隊管理的區塊節點多、 ......

    uj5u.com 2020-09-10 03:03:12 more
  • 谷歌二次驗證碼成為區塊鏈專用安全碼,你怎么看?

    前言 谷歌身份驗證器,前些年大家都比較陌生,但隨著國內互聯網安全的加強,它越來越多地出現在大家的視野中。 比較廣泛接觸的人群是國際3A游戲愛好者,游戲盜號現象嚴重+國外賬號安全應用廣泛,這類游戲一般都會要求用戶系結名為“兩步驗證”、“雙重驗證”等,平臺一般都推薦用谷歌身份驗證器。 后來區塊鏈業務風靡 ......

    uj5u.com 2020-09-10 03:03:17 more
  • 密碼學DAY1

    目錄 ##1.1 密碼學基本概念 密碼在我們的生活中有著重要的作用,那么密碼究竟來自何方,為何會產生呢? 密碼學是網路安全、資訊安全、區塊鏈等產品的基礎,常見的非對稱加密、對稱加密、散列函式等,都屬于密碼學范疇。 密碼學有數千年的歷史,從最開始的替換法到如今的非對稱加密演算法,經歷了古典密碼學,近代密 ......

    uj5u.com 2020-09-10 03:03:50 more
  • 密碼學DAY1_02

    目錄 ##1.1 ASCII編碼 ASCII(American Standard Code for Information Interchange,美國資訊交換標準代碼)是基于拉丁字母的一套電腦編碼系統,主要用于顯示現代英語和其他西歐語言。它是現今最通用的單位元組編碼系統,并等同于國際標準ISO/IE ......

    uj5u.com 2020-09-10 03:04:50 more
  • 密碼學DAY2

    ##1.1 加密模式 加密模式:https://docs.oracle.com/javase/8/docs/api/javax/crypto/Cipher.html ECB ECB : Electronic codebook, 電子密碼本. 需要加密的訊息按照塊密碼的塊大小被分為數個塊,并對每個塊進 ......

    uj5u.com 2020-09-10 03:05:42 more
  • NTP時鐘服務器的特點(京準電子)

    NTP時鐘服務器的特點(京準電子) NTP時鐘服務器的特點(京準電子) 京準電子官V——ahjzsz 首先對時間同步進行了背景介紹,然后討論了不同的時間同步網路技術,最后指出了建立全球或區域時間同步網存在的問題。 一、概 述 在通信領域,“同步”概念是指頻率的同步,即網路各個節點的時鐘頻率和相位同步 ......

    uj5u.com 2020-09-10 03:05:47 more
  • 標準化考場時鐘同步系統推進智能化校園建設

    標準化考場時鐘同步系統推進智能化校園建設 標準化考場時鐘同步系統推進智能化校園建設 安徽京準電子科技官微——ahjzsz 一、背景概述隨著教育事業的快速發展,學校建設如雨后春筍,隨之而來的學校教育、管理、安全方面的問題成了學校管理人員面臨的最大的挑戰,這些問題同時也是學生家長所擔心的。為了讓學生有更 ......

    uj5u.com 2020-09-10 03:05:51 more
  • 位元幣入門

    引言 位元幣基本結構 位元幣基礎知識 1)哈希演算法 2)非對稱加密技術 3)數字簽名 4)MerkleTree 5)哪有位元幣,有的是UTXO 6)位元幣挖礦與共識 7)區塊驗證(共識) 總結 引言 上一篇我們已經知道了什么是區塊鏈,此篇說一下區塊鏈的第一個應用——位元幣。其實先有位元幣,后有的區塊 ......

    uj5u.com 2020-09-10 03:06:15 more
  • 北斗對時服務器(北斗對時設備)電力系統應用

    北斗對時服務器(北斗對時設備)電力系統應用 北斗對時服務器(北斗對時設備)電力系統應用 京準電子科技官微(ahjzsz) 中國北斗衛星導航系統(英文名稱:BeiDou Navigation Satellite System,簡稱BDS),因為是目前世界范圍內唯一可以大面積提供免費定位服務的系統,所以 ......

    uj5u.com 2020-09-10 03:06:20 more
最新发布
  • 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 08:46:47 more
  • Hyperledger Fabric 使用 CouchDB 和復雜智能合約開發

    在上個實驗中,我們已經實作了簡單智能合約實作及客戶端開發,但該實驗中智能合約只有基礎的增刪改查功能,且其中的資料管理功能與傳統 MySQL 比相差甚遠。本文將在前面實驗的基礎上,將 Hyperledger Fabric 的默認資料庫支持 LevelDB 改為 CouchDB 模式,以實作更復雜的資料... ......

    uj5u.com 2023-04-16 07:28:31 more
  • .NET Core 波場鏈離線簽名、廣播交易(發送 TRX和USDT)筆記

    Get Started NuGet You can run the following command to install the Tron.Wallet.Net in your project. PM> Install-Package Tron.Wallet.Net 配置 public reco ......

    uj5u.com 2023-04-14 08:08:00 more
  • DKP 黑客分析——不正確的代幣對比率計算

    概述: 2023 年 2 月 8 日,針對 DKP 協議的閃電貸攻擊導致該協議的用戶損失了 8 萬美元,因為 execute() 函式取決于 USDT-DKP 對中兩種代幣的余額比率。 智能合約黑客概述: 攻擊者的交易:0x0c850f,0x2d31 攻擊者地址:0xF38 利用合同:0xf34ad ......

    uj5u.com 2023-04-07 07:46:09 more
  • Defi開發簡介

    Defi開發簡介 介紹 Defi是去中心化金融的縮寫, 是一項旨在利用區塊鏈技術和智能合約創建更加開放,可訪問和透明的金融體系的運動. 這與傳統金融形成鮮明對比,傳統金融通常由少數大型銀行和金融機構控制 在Defi的世界里,用戶可以直接從他們的電腦或移動設備上訪問廣泛的金融服務,而不需要像銀行或者信 ......

    uj5u.com 2023-04-05 08:01:34 more
  • solidity簡單的ERC20代幣實作

    // SPDX-License-Identifier: GPL-3.0 pragma solidity >=0.7.0 <0.9.0; import "hardhat/console.sol"; //ERC20 同質化代幣,每個代幣的本質或性質都是相同 //ETH 是原生代幣,它不是ERC20代幣, ......

    uj5u.com 2023-03-21 07:56:29 more
  • solidity 參考型別修飾符memory、calldata與storage 常量修飾符C

    在solidity語言中 參考型別修飾符(參考型別為存盤空間不固定的數值型別) memory、calldata與storage,它們只能修飾參考型別變數,比如字串、陣列、位元組等... memory 適用于方法傳參、返參或在方法體內使用,使用完就會清除掉,釋放記憶體 calldata 僅適用于方法傳參 ......

    uj5u.com 2023-03-08 07:57:54 more
  • solidity注解標簽

    在solidity語言中 注釋符為// 注解符為/* 內容*/ 或者 是 ///內容 注解中含有這幾個標簽給予我們使用 @title 一個應該描述合約/介面的標題 contract, library, interface @author 作者的名字 contract, library, interf ......

    uj5u.com 2023-03-08 07:57:49 more
  • 評價指標:相似度、GAS消耗

    【代碼注釋自動生成方法綜述】 這些評測指標主要來自機器翻譯和文本總結等研究領域,可以評估候選文本(即基于代碼注釋自動方法而生成)和參考文本(即基于手工方式而生成)的相似度. BLEU指標^[^?88^^?^]^:其全稱是bilingual evaluation understudy.該指標是最早用于 ......

    uj5u.com 2023-02-23 07:27:39 more
  • 基于NOSTR協議的“公有制”版本的Twitter,去中心化社交軟體Damus

    最近,一個幽靈,Web3的幽靈,在網路游蕩,它叫Damus,這玩意詮釋了什么叫做病毒式營銷,滑稽的是,一個Web3產品卻在Web2的產品鏈上瘋狂傳銷,各方大佬紛紛為其背書,到底發生了什么?Damus的葫蘆里,賣的是什么藥? 注冊和簡單實用 很少有什么產品在用戶注冊環節會有什么噱頭,但Damus確實出 ......

    uj5u.com 2023-02-05 06:48:39 more