【python二.7】爬取知网杂谈

图片 1

摩登代码
https://github.com/tom523/crawlCnki.git
爬虫夹故障

新近在演练写爬虫的时候,正巧同学的女对象有须求,大概是爬取知网内的几千个宗旨的数量,每三个大旨的条数记录有几条的到几千条的例外,总来的来说也终于个上万数目级的爬虫了,分析了下知网,发现使用正式检索,能够实现本人的对象,然后经过chrome的developer
tools差不多分析了下了请求数据包,发现知网的查询是分成两步的,第1步是3个总的请求(查询的准绳基本上都在首先步里面了),会回来二个串

20171110日志

图片 2

image.png

20171十九夜间爬取结果,搜索关键字“爬虫”,看起来像是给了假数据,或者知网检查测试出来了爬虫。

然后,差不多就摸清楚了那3个数据获得的经过,笔者的思路是先成功三个数目级的数据获得,也正是爬取一条,然后再去扩展,加线程,加ip代理,加user_agent等等。

image.png

图片 3

不只一次的在第二七页,需求输入验证码

                                                                     
 图1.询问记录请求报文头

# -*- 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)

在遭遇了各个socket 拾054100六1等不当,通过百度各样技能,加上了ip代理等片段方法,最后自身也许成功本次职分,当然最后依然增加了文件读取,职务队列等模块,大约就是1个线程专门负责输出文件,其它多少个线程去职务池里面取任务爬数据,详细略过,见代码。有纰漏之处,还请斧正。

图片 4

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

拍卖方式:重新更换User-Agent后,直接从第3柒页开头爬取

假设您必要三个优质的求学交换条件,那么你能够思虑Python学习沟通群:54837787伍;
假如您须求1份系统的读书资料,那么你能够思量Python学习调换群:548377875。

image.png

在成功了数码级为1的级别后,就起来准备大范围地获取数据了,那时候就要思索效率以及预防网址踢人了。

  • 服务器响应超时
  • 验证码输入

有关为啥要分成两步,每二个区域对应2个例外的乞请,那一个都是网址自己的安插,我也没做过web开发,这么做有啥样优点小编真的不通晓/擦汗,小编的重点正是模仿它在网页上的央浼,完毕批量化的数额获得。

图片 5

 

图片 6

在那么些阶段,首要的笔触就是大半要和在网页上的拜会保持壹致,保证本人拼的url和在网页上访问的时候是同一的,当然是在保险能访问的前提下,能略去的就略去。

浅析它原先的伸手url的时候,使用url转码工具得以将转码现在的url还原,更直白地解析。

然后才能做第一步的数量请求(下方的截图对应网页上的分化区域的请求报文头和再次来到数据)

接下来提多少个细节呢,知网的伸手url上,有部分数据段一开头是不明了它的意义的,可是自身去拼接访问的时候发现,缺了网址就会报错,那时候就能够多品尝多少个例外的造访,去拿它的伸手heads,然后相互比较,就会发现部分字段是固定不变的,那种就足以一向照搬,有的吧,是浮动的,那种就须求密切去分析到底是怎么数据,有哪些意思,知网的就包蕴三个皮秒数,那个作者壹初步就没懂具体意思,后来分析了下感到像时间,然后去取了下当前的皮秒时间,壹相比较发现大约是大约,就近日的微秒时间拼在了url串上边。

可想而知,便是对此有个别懂web的爬虫小白,最棒就是还原网址原本的请求,那样基本上请求数据就不会有太大难点了。

                                                                       
图2. 对应差异年份的记录条数再次回到结果

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