【python2.7】爬取知网杂文

最近在演练写爬虫的时候,正巧同学的女对象有须要,差不离是爬取知网内的几千个主旨的数量,每二个宗旨的条数记录有几条的到几千条的不等,总来的来讲也好不轻便个上万数据级的爬虫了,深入分析了下知网,发现使用正规检索,能够做到自己的目的,然后经过chrome的developer
tools大致剖判了下了乞求数据包,开掘知网的询问是分成两步的,第一步是二个总的必要(查询的法则基本上都在率先步里面了卡塔 尔(英语:State of Qatar),会回到一个串

# -*- 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

最新代码
https://github.com/tom523/crawlCnki.git
爬虫夹故障

然后技巧做第二步的多少诉求(下方的截图对应网页上的两样区域的乞求报文头和再次回到数据卡塔 尔(英语:State of Qatar)

  • 服务器响应超时
  • 验证码输入

图片 2

图片 3

                                                                     
 图生机勃勃.查询记录诉求报文头

image.png

图片 4

非但二回的在第17页,须求输入验证码

                                                                       
图二. 对应不相同年份的笔录条数再次回到结果

图片 5

有关为何要分成两步,每贰个区域对应二个不意气风发的乞请,那一个都以网站自身的统筹,笔者也没做过web开采,这么做有哪些亮点我真正不知道/擦汗,小编的根本就是未有主见只会借风使船它在网页上的央浼,达成批量化的数据获得。

image.png

 

拍卖方法:重新改换User-Agent后,直接从第17页开首爬取

下一场,差不离就摸清楚了那一个数目得到的进程,作者的笔触是先形成三个数码级的多少得到,也正是爬取一条,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

20171109晚间爬取结果,寻找关键字“爬虫”,看起来疑似给了假数据,恐怕知网检查实验出来了爬虫。

在这里个阶段,主要的思路正是大半要和在网页上的访谈保持豆蔻梢头致,保证本人拼的url和在网页上访谈的时候是同等的,当然是在保管能访谈的前提下,能略去的就略去。

分析它原先的乞求url的时候,使用url转码工具得以将转码以往的url还原,越来越直白地分析。

接下来提多少个细节呢,知网的伸手url上,有一点数据段后生可畏开头是不亮堂它的意义的,不过本人去拼接待上访谈的时候发掘,缺了网址就能够报错,那时就能够多品尝几个差别的拜会,去拿它的倡议heads,然后互绝相比,就能开采存些字段是长久不改变的,这种就足以间接照搬,有的吧,是浮动的,这种就需求精心去深入分析到底是哪些数据,有哪些含义,知网的就包蕴一个阿秒数,那些本人一齐先就没懂具体意思,后来解析了下认为像时光,然后去取了下当前的微秒时间,大器晚成比较发掘大致是大半,就当前的纳秒时间拼在了url串下面。

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

若是您必要八个佳绩的上学沟通条件,那么您能够考虑Python学习调换群:548377875;
倘令你要求后生可畏份系统的学习材质,那么您能够设想Python学习交换群:548377875。

总的说来,正是对于有个别懂web的爬虫小白,最佳就是还原网址原来的倡议,那样基本上央浼数据就不会有太大标题了。

在做到了数据级为后生可畏的等级后,就起来希图大规模地获取数据了,这个时候将在思忖效用以至防御网址踢人了。

在备受了各类socket 10054
10061等不当,通过百度各个技术,加上了ip代理等片段主意,最终本人要么到位本次职务,当然最后还是增加了文件读取,职责队列等模块,大约正是多个线程专责输出文件,别的多个线程去任务池里面取义务爬数据,详细略过,见代码。有疏漏之处,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