中国知网爬虫
一、知网介绍
提起中国知网，如果你曾经写过论文，那么基本上都会与中国知网打交道，因为写一篇论文必然面临着各种查重，当然翟博士除外。但是，本次重点不在于写论文跟查重上，而在于我们要爬取知网上一些论文的数据，什么样的数据呢？我们举一个例子来说，在知网上，搜索论文的方式有很多种，但是对于专业人士来说，一般都会使用高级检索，因为直接去查找作者的话，容易查找到很多重名作者，所以我们本次的爬虫也是使用了高级检索(泛称)的爬虫，再具体就是专业检索，有助于我们唯一定位到作者。
二、常规步骤—页面分析
1.来到高级检索页面，以【AU=王长峰 AND FU=71271031】为例检索，结果如下：
2.利用Xpath语法尝试获取这些数据，却发现一无所获。
3.按照常理来说，即使是动态网页也可以利用Xpath语法提取到数据，只是在Python里面获取不到而已，所以在这里存在我们所不知道的问题。
三、知网反爬虫机制
常见的反爬虫机制一般有两种：
第一种是请求头反爬虫，这个也是最简单的，如果你不给定请求头，对方服务器就不会理你。需要设置的参数有User-Agent、Referer和Cookie。
第二种是动态网页，利用Ajax技术使用js接口来传递数据。
毫无疑问，对于数据非常金贵的中国知网来说，肯定使用了以上两种反爬方式，并且中国知网的js接口非常复杂，虽说复杂，但是只要你的内功要是足够强的话，还是能够分析得出来，但是对于不懂js以及web开发的朋友来说，这将是一个非常困难的事情，所以使用selenium来进行爬虫将是一件相对来说比较容易的事情。
另外，知网也不是仅仅只有这两层反爬虫机制，还有第三层，那就是iframe，由于很多朋友并没有做过网站开发，所以不太清楚了这是什么东西，导致即使发现自己的Xpath语法正确，也无法正确获取数据，从而怀疑人生，实际上，iframe比较常见的一种反爬虫机制，不过，如果你不知道这个东西，那么你就基本上无缘爬取中国知网了。
四、什么是iframe?
了解iframe前，你首先得知道一个网页是什么，没错，一个网页就是一个html页面。接下来我们从感性和源码两个方面来认识一下iframe.
1.感性认知。
一句话：一个完整的网页内部又嵌套了多个完整的网页，嵌套的页面就叫做iframe。
2.网页源码认识。
比如一个非常简单的html页面(如下图所示)，一个html页面是拥有一个完整的html标签的，也就是起始html【<html>】和闭合html【</html>】，而iframe则是在这一个完整的html标签里面又嵌套了一个完整的html标签。
-
<html>
-
<body>
-
-
<p>Python伊甸园
</p>
-
-
</body>
-
</html>
3.看一下中国知网的源码，发现果然存在一个iframe,所以这个就是中国知网的第三种反爬虫机制。
五、最后给出中国知网的爬虫
1.ways.py
-
import pandas
as pd
-
#AU=王长峰 AND FU=71271031
-
def get_data():
-
data_list = pd.read_excel(
r"C:\Users\wwb\Desktop\科学基金.xls",
-
encoding=
'utf8')
-
leaders = data_list.leader.values.tolist()
-
codes = data_list.code.tolist()
-
results = []
-
for leader,code
in zip(leaders,codes):
-
result =
"AU={} AND FU={}".format(leader,code)
-
results.append(result)
-
return results
-
-
#results = get_data()
-
#print(results)
2.main.py
-
from selenium
import webdriver
-
from lxml
import etree
-
import time
-
from ways
import get_data
-
import random
-
-
def pasre_page(driver):
-
html = etree.HTML(driver.page_source)
-
trs = html.xpath(
'//tr[@bgcolor]')
-
for tr
in trs:
-
title = tr.xpath(
'./td//a[@class="fz14"]/text()')[
0]
-
authors = tr.xpath(
'./td[@class="author_flag"]/a[@class="KnowledgeNetLink"]//text()')
-
authors =
"|".join(authors)
-
source = tr.xpath(
'./td//a[@target="_blank"]/text()')[
1]
-
times = tr.xpath(
'./td[@align="center"]/text()')[
0].strip()
-
database = tr.xpath(
'./td[@align="center"]/text()')[
1].strip()
-
counted = tr.xpath(
'./td//span[@class="KnowledgeNetcont"]/a/text()')
-
if len(counted) ==
0:
-
counted =
0
-
else:
-
counted = counted[
0]
-
downloadCount = tr.xpath(
'./td//span[@class="downloadCount"]/a/text()')
-
if len(downloadCount) ==
0:
-
downloadCount =
0
-
else:
-
downloadCount = downloadCount[
0]
-
data = {
-
"title":title,
-
"authors":authors,
-
"source":source,
-
"times":times,
-
"database":database,
-
"counted":counted,
-
"downloadCount":downloadCount,
-
}
-
datas.append(data)
-
print(title)
-
time.sleep(random.uniform(
2,
4))
-
driver.switch_to.parent_frame()
-
search_win = driver.find_element_by_id(
'expertvalue')
-
search_win.clear()
-
time.sleep(random.uniform(
2,
4))
-
-
-
driver_path =
r"C:\Users\wwb\Desktop\chromedriver.exe"
-
driver = webdriver.Chrome(executable_path=driver_path)
-
url =
"https://www.cnki.net/"
-
driver.get(url)
-
-
home_page = driver.find_element_by_id(
'highSearch')
-
home_page.click()
-
driver.switch_to_window(driver.window_handles[
1])
-
search_page = driver.find_element_by_id(
'1_3')
-
search_page.click()
-
datas = []
-
results = get_data()
-
for result
in results:
-
search_win = driver.find_element_by_id(
'expertvalue')
-
search_win.send_keys(result)
-
search_btn = driver.find_element_by_id(
'btnSearch')
-
search_btn.click()
-
iframe = driver.find_element_by_id(
'iframeResult')
-
driver.switch_to.frame(iframe)
-
time.sleep(random.uniform(
2,
4))
-
pasre_page(driver)
3.部分结果展示：
扫描二维码即可参与该课程，解锁更多爬虫知识：
转载：https://blog.csdn.net/weixin_42830697/article/details/103181039