python爬取知网

近日在演习写爬虫的时候,正巧同学的女对象有须要,大概是爬取知网内的几千个宗旨的数据,每二个主旨的条数记录有几条的到几千条的不等,总来的来说也毕竟个上万数目级的爬虫了,分析了下知网,发现使用正规检索,可以做到本身的对象,然后经过chrome的developer
tools差不多分析了下了请求数据包,发现知网的询问是分成两步的,第一步是1个总的请求(查询的准绳基本上都在首先步里面了),会回到三个串

# -*- coding: utf-8 -*-
import time
import urllib
import urllib2
import cookielib
from lxml import etree
import random


'''
爬取第一页,获取共页数
爬取第二页至最后一页
'''

# 下载当前页所有文章的pdf或caj
def download_paper(treedata, opener, localdir):
    '''
    传入参数:
        treedata:当前列表页的treedata数据
        opener: referer已修改为当前页
        localdir: 保存目录
    '''
    tr_node = treedata.xpath("//tr[@bgcolor='#f6f7fb']|//tr[@bgcolor='#ffffff']")

    for item in tr_node:
        paper_title = item.xpath("string(td/a[@class='fz14'])")
        paper_link = item.xpath("td/a[@class='fz14']/@href")
        paper_author = item.xpath("td[@class='author_flag']/a/text()")
        paper_source = item.xpath("td[4]/a/text()")
        paper_pub_date = item.xpath("td[5]/text()")
        paper_db = item.xpath("td[6]/text()")
        paper_cited = item.xpath("td[7]//a/text()")
        paper_download_count = item.xpath("td[8]/span/a/text()")
        print paper_title
        print paper_link

        # 获取paper详情页面链接,访问详情页前,要设置referer
        paper_detail_url_fake = "http://kns.cnki.net" + paper_link[0]
        response = opener.open(paper_detail_url_fake)
        paper_detail_page_treedata = etree.HTML(response.read())
        # 下载前要设置referer为详情页
        opener.addheaders = [("Referer", response.url)]

        # 硕士论文并没有【pdf下载】的链接
        pdf_download_url = paper_detail_page_treedata.xpath('//*[@id="pdfDown"]/@href')
        if len(pdf_download_url) == 0:
            whole_book_download_url = paper_detail_page_treedata.xpath('//*[@id="DownLoadParts"]/a[1]/@href')
            download_url = whole_book_download_url[0]
            filename = localdir + paper_title + ".caj"
        else:
            download_url = pdf_download_url[0]
            filename = localdir + paper_title + ".pdf"
        filename.replace("\\", "").replace("/","").replace(":", "").replace("*", "").replace("?", "").replace("\"","").replace("<","").replace(">","").replace("|","")
        response_file = opener.open(download_url)
        down_file = open(filename, 'wb')
        down_file.write(response_file.read())
        down_file.close()


# 构建第一次请求时使用的URL
url = 'http://kns.cnki.net/kns/request/SearchHandler.ashx?action=&NaviCode=*&'
parameter={'ua':'1.11'}
parameter['formDefaultResult']=''
parameter['PageName']='ASP.brief_default_result_aspx'
parameter['DbPrefix']='SCDB'
parameter['DbCatalog']='中国学术文献网络出版总库'
parameter['ConfigFile']='SCDBINDEX.xml'
parameter['db_opt']='CJFQ'
parameter['db_opt']='CJFQ,CJRF,CDFD,CMFD,CPFD,IPFD,CCND,CCJD'
parameter['txt_1_sel']='SU$%=|'
parameter['txt_1_value1']='爬虫'
parameter['txt_1_special1']='%'
parameter['his']='0'
parameter['parentdb']='SCDB'
parameter['__']='Sun Nov 05 2017 20:09:05 GMT+0800 (中国标准时间) HTTP/1.1'
times = time.strftime('%a %b %d %Y %H:%M:%S')+' GMT+0800 (中国标准时间)'
parameter['__']=times

getdata = urllib.urlencode(parameter)

uapools = [
    "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0",
    "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",
    "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0",
    "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71",
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11"
]




headers = {'Connection': 'Keep-Alive','Accept': 'text/html,*/*','User-Agent': 'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/29.0.1547.66 Safari/537.36'}
headers['Referer']='http://kns.cnki.net/kns/brief/default_result.aspx'
#headers['User-Agent'] = random.choice(uapools)
req = urllib2.Request(url + getdata, headers=headers)

cookie = cookielib.CookieJar()

opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie), urllib2.HTTPHandler)
html = opener.open(req).read()

with open('C:/code/test3/web1.html', 'w') as e:
    e.write(html)

# 构建第二次请求时使用的URL
query_string = urllib.urlencode({'pagename': 'ASP.brief_default_result_aspx','dbPrefix':'SCDB', 'dbCatalog': '中国学术文献网络出版总库',
                                 'ConfigFile': 'SCDBINDEX.xml', 'research':'off', 't': int(time.time()), 'keyValue': '爬虫', 'S': '1'})

url2 = 'http://kns.cnki.net/kns/brief/brief.aspx'
req2 = urllib2.Request(url2 + '?' + query_string, headers=headers)
# 返回的是搜索结果列表页,第一页
result2 = opener.open(req2)
#opener.addheaders = [("Referer", req2.get_full_url())]
html2 = result2.read()
with open('C:/code/test3/web2.html', 'w') as e:
    e.write(html2)

treedata = etree.HTML(html2)

# 请求详情页之前把引用地址改成列表页
opener.addheaders = [("Referer", req2.get_full_url())]
localdir = "C:/code/test3/pdf/"
download_paper(treedata, opener, localdir)

#获取总页数total_page_count
current_page_node = treedata.xpath('//span[@class="countPageMark"]/text()')
print "current_page_node:", current_page_node
total_page_count = current_page_node[0].split('/')[1]
print "total_page_count:", total_page_count

current_url = result2.url
for page_num in range(2, int(total_page_count)+1):
    #获取下一页的链接
    print "准备爬取第", str(page_num), "页"
    next_page_node = treedata.xpath('//div[@class="TitleLeftCell"]/a[last()]/@href')
    next_page_url = next_page_node[0]
    next_page_url_full = url2 + next_page_url
    opener.addheaders = [("Referer", current_url)]
    # 返回的是搜索结果下一页的列表页
    next_page_response = opener.open(next_page_url_full)
    opener.addheaders = [("Referer", next_page_response.url)]
    #file_next_page = open('C:/code/test3/web4' + str(page_num) + '.html', 'w')
    html = next_page_response.read()
    #file_next_page.write(html)
    #file_next_page.close()


    #print "current_url:", current_url
    #print "next_page_url:", next_page_response.url
    # 修改上一页,以供请求下页时引用
    #result2 = next_page_response
    treedata = etree.HTML(html)
    current_url = next_page_response.url

    localdir = "C:/code/test3/pdf/"
    download_paper(treedata, opener, localdir)

图片 1

流行代码
https://github.com/tom523/crawlCnki.git
爬虫夹故障

下一场才能做第三步的数目请求(下方的截图对应网页上的例外区域的请求报文头和重返数据)

  • 服务器响应超时
  • 验证码输入

图片 2

图片 3

                                                                     
 图一.询问记录请求报文头

image.png

图片 4

不但贰次的在第三七页,要求输入验证码

                                                                       
图二. 对应不相同年份的记录条数重返结果

图片 5

至于为啥要分成两步,每三个区域对应二个不等的呼吁,这一个都以网址本身的安插性,小编也没做过web开发,这么做有如何优点小编实在不知晓/擦汗,笔者的显要就是效仿它在网页上的哀求,实现批量化的数码获得。

image.png

 

处理方法:重新更换User-Agent后,直接从第贰七页先河爬取

接下来,差不离就摸清楚了那一个数据得到的进度,小编的笔触是先达成三个数量级的多寡得到,也便是爬取一条,然后再去增添,加线程,加ip代理,加user_agent等等。

20171110日志

图片 6

image.png

2017110玖夜间爬取结果,搜索关键字“爬虫”,看起来像是给了假数据,大概知网检查实验出来了爬虫。

在那个阶段,重要的思路正是基本上要和在网页上的访问保持壹致,有限接济本身拼的url和在网页上访问的时候是壹模一样的,当然是在确认保证能访问的前提下,能略去的就略去。

剖析它原先的央浼url的时候,使用url转码工具得以将转码以往的url还原,更直白地分析。

然后提多少个细节呢,知网的央求url上,有一对数目段一开头是不知道它的意思的,不过本人去拼接待上访问的时候发现,缺了网址就会报错,那时候就足以多品尝多少个不等的拜访,去拿它的伏乞heads,然后相互相比,就会发觉有的字段是一定不变的,那种就足以一直照搬,有的吧,是变化的,这种就须求仔细去分析到底是何等数据,有怎样意义,知网的就包罗三个微秒数,这一个自家一开头就没懂具体意思,后来分析了下感到像时间,然后去取了下当前的微秒时间,1相比较发现差不多是大抵,就当下的纳秒时间拼在了url串上边。

def getMilliTim():
    t = time.time()
    nowTime = t*1000
    return int(nowTime)

1旦你供给贰个卓绝的就学沟通条件,那么您可以设想Python学习沟通群:548377875;
假诺你须要壹份系统的学习质感,那么你能够设想Python学习调换群:54837787伍。

简单来讲,就是对此某个懂web的爬虫小白,最佳正是还原网址原本的央求,那样基本上请求数据就不会有太大标题了。

在成就了数额级为一的级别后,就从头准备大范围地获取数据了,那时候就要思量效能以及防备网址踢人了。

在遭到了各类socket 十05四10061等错误,通过百度各样技术,加上了ip代理等局地措施,最后笔者依旧成功此次职分,当然最后依旧增加了文本读取,任务队列等模块,大约正是八个线程专责输出文件,其它三个线程去职分池里面取职务爬数据,详细略过,见代码。有纰漏之处,还请斧正。

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图