Python采集知网
Python爬虫初探 selenium+beautifulsoup4+chromedriver
安装模块:
* import pymssql
* pip install bs4
* pip install selenium
* pip install pd
* pip install pandas
* pip install PyQt5
安装浏览器驱动:
你自己电脑上装了什么浏览器,就下载对应的驱动程序即可,本文使用的是Google,所以选择Google的驱动需要与你的浏览器版本对应。
http://chromedriver.storage.googleapis.com/index.html
https://registry.npmmirror.com/binary.html?path=chromedriver
https://www.selenium.dev/selenium/docs/api/py/index.html
配置环境变量:
依次打开我的电脑->属性->高级系统设置->环境变量,双击path,点击新建,输入驱动程序chromedriver.exe所在的目录即可,然后一路点击确定
@echo off
@title 配置系统环境变量
@echo ******************************************************
@echo 1.Python37_64
@echo 2.Chrome chromedriver.exe
@echo ******************************************************
@echo ===============开始配置系统环境变量======================= setx PATH=C:\Program Files (x86)\Microsoft Visual Studio\Shared\Python37_64
setx PATH=C:\Program Files (x86)\Microsoft Visual Studio\Shared\Python37_64\Scripts
setx PATH=C:\Users\Administrator\AppData\Local\Google\Chrome\Application @echo ===============配置系统环境变量完成,自动退出=======================
@pause
@exit
简单验证一下,新打开一个控制台,输入驱动程序文件名,此处为chromedriver.exe,能够正常打开即可
**完整的代码如下:**
from selenium.webdriver import Chrome
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.by import By
from lxml.html import etree
import time
import random
import pymssql user_agent = [
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
"Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
"Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
"Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
"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"
] headers = {
'User-Agent': random.choice(user_agent)
} topic = "职业技术学院"
url = 'https://kns.cnki.net/kns8/defaultresult/index'
chrome_options = Options()
chrome_options.add_argument('--disable-gpu') # 禁用浏览器正在被自动化程序控制的提示
chrome_options.add_argument('--blink-settings=imagesEnabled=false') # 禁止图片加载
chrome_options.add_experimental_option('excludeSwitches', ['enable-automation']) # 防止被发现
chrome_options.add_experimental_option('excludeSwitches', ['enable-logging']) #禁用显示 DevTools
browser = Chrome(options=chrome_options,
executable_path=r"C:\Users\Administrator\AppData\Local\Google\Chrome\Application\chromedriver.exe") browser.maximize_window() def executeSql(sql):
db=pymssql.connect('127.0.0.1','sa','123456','dbname')
cursor = db.cursor()
try:
cursor.execute(sql)
db.commit()
except:
db.rollback()
db.close() def addDb(tables):
print('addDb',tables)
for index, table in enumerate(tables):
trs=table.xpath('.//tr')
print('trs',trs)
for tr in trs:
item={}
tds= tr.xpath('.//td')
print('trs',tds)
if tds:
for i,td in enumerate(tds):
if i==1:
item["name"]=td.xpath('.//a[1]/text()')[0].replace('\r\n','')
item["link"]=td.xpath('.//a[1]/@href')
if len(item["link"])>0:
item["link"]=item["link"][0]
else:item["link"]=''
elif i==2:
item["author"]=td.xpath('.//a[1]/text()')
if len(item["author"])>0:
item["author"]=item["author"][0].replace('\r\n','')
else:item["author"]=''
elif i==3:
item["source"]=td.xpath('.//a[1]/text()')
if len(item["source"])>0:
item["source"]=item["source"][0].replace('\r\n','')
else:item["source"]=''
elif i==4:
item["date"]=td.xpath('.//text()')
if len(item["date"])>0:
item["date"]=item["date"][0].replace('\r\n','')
else:item["date"]=''
elif i==5:
item["data"]=td.xpath('.//text()')
if len(item["data"])>0:
item["data"]=item["data"][0].replace('\r\n', '')
else:item["data"]=''
elif i==7:
item["download"]=td.xpath('.//a[1]/text()')
if len(item["download"])>0:
item["download"]=item["download"][0].replace('\r\n', '')
else:item["download"]=''
sql = """INSERT INTO [dbo].[KYCG_LunWen_WT]
([wt_Unit],[wt_Type],[wt_Title],[wt_Url],[wt_ResouceType],[wt_Author],[wt_Source],
[wt_Volume],[wt_Content],[wt_DownDate],[wt_Worker],[wt_WorkerName],[wt_WorkerDate])
VALUES('职业技术学院','知网','%s','%s','%s','%s','%s','%s','',getdate(),'admin','admin'
,getdate())""" %(item['name'], item['link'].replace('/KNS8/Detail?', 'https://kns.cnki.net/kcms/detail/detail.aspx?'),item['data'],item["author"],item["source"],item["download"])
print('item',item['name'])
executeSql(sql) def crawl():
# 请求url
browser.get(url)
browser.implicitly_wait(5)
time.sleep(5)
# 输入关键字
print('输入关键字',topic)
key = browser.find_element_by_id('txt_search')
key.send_keys(topic)
time.sleep(5)
# 搜索
print('搜索关键字',topic)
search_btn = browser.find_element_by_class_name('search-btn')
search_btn.click()
time.sleep(5)
# 入库
print('采集入库',topic)
divs =browser.find_element_by_xpath('//table[@class="result-table-list"]')
addDb(etree.HTML(divs.get_attribute("outerHTML")))
time.sleep(20) # 翻页
print('翻页采集',topic)
for cp in range(1, 10):
try:
print('翻页采集',cp)
browser.find_element_by_link_text('下一页').click()
time.sleep(7)
divs =browser.find_element_by_xpath('//table[@class="result-table-list"]')
addDb(etree.HTML(divs.get_attribute("outerHTML")))
time.sleep(20)
except:
continue time.sleep(10)
browser.quit()
browser.close() if __name__ == '__main__':
print('开始采集知网')
crawl()
executeSql("update KYCG_LunWen_WT set wt_Url=replace(wt_Url,'/KNS8/Detail?','https://kns.cnki.net/kcms/detail/detail.aspx?'),wt_Title=replace(wt_Title,' ','') where wt_Type='知网'")
[C# 采集知网](https://www.cnblogs.com/luomingui/p/16313288.html)
Python采集知网的更多相关文章
- Python开源爬虫项目代码:抓取淘宝、京东、QQ、知网数据--转
数据来源:数据挖掘入门与实战 公众号: datadw scrapy_jingdong[9]- 京东爬虫.基于scrapy的京东网站爬虫,保存格式为csv.[9]: https://github.co ...
- Python爬取中国知网文献、参考文献、引证文献
前两天老师派了个活,让下载知网上根据高级搜索得到的来源文献的参考文献及引证文献数据,网上找了一些相关博客,感觉都不太合适,因此特此记录,希望对需要的人有帮助. 切入正题,先说这次需求,高级搜索,根据中 ...
- 使用selenium模拟知网登录
之前都是用phantomjs和selenium模拟浏览器动作的,后来phantomjs不再更新,就转用chrome了 本次模拟登录的网站是中国知网http://login.cnki.net/login ...
- 中国知网cnki(永久会员账号)
中国知网cnki(永久会员账号)大男孩免费分享 网站简介: (中国知网http://www.cnki.net/)中国知网是国家知识基础设施(National Knowledge Infrastru ...
- 论文 查重 知网 万方 paperpass
相信各个即将毕业的学生或在岗需要评职称.发论文的职场人士,论文检测都是必不可少的一道程序.面对市场上五花八门的检测软件,到底该如何选择?选择查重后到底该如何修改?现在就做一个知识的普及.其中对于中国的 ...
- 2015年最新中国知网CNKI免费账号直接入口
以下是Free9免费资源网小编收集整理的2015年最新中国知网CNKI免费账号直接入口,现免费分享给大家(仅供测试使用),此类文献数据库资源有时效性,希望对您的学习.工作上有所帮助! 中国知网直接入口 ...
- 如何将中国知网CNKI中的文献导入EndNote X6
如何将中国知网CNKI中的文献导入EndNote X6 下面给出具体步骤: 1.在CNKI中检索目标文献,如检索<基于Qt的三维可视化技术研究> 我喜欢在CNKI(http://www.c ...
- 去掉cajviewer 右上角的“中国知网数字出版物超市
cajviewer软件是一款可以提取pdf字码的软件(即使pdf是扫描版的) 下面是转的一个博文可以去除软件右上角图标的方法: 去掉cajviewer 7.1.2右上角的“中国知网数字出版物超市” 1 ...
- Python教程百度网盘哪里有?
Python为我们提供了非常完善的基础代码库,覆盖了网络.文件.GUI.数据库.文本等大量内容,被形象地称作"内置电池(batteries included)".带你快速入门的Py ...
- 如何将知网下载的caj文件转换为pdf文件
一.问题描述: 最近在知网搜索论文的时候,经常遇到有的论文没有pdf文件的情况,但不得不吐槽我觉得知网做的阅读器确实是有点烂.所以想将caj文件转化为pdf文件,找到了一个比较好的方法,所以希望记录一 ...
随机推荐
- 记录--有关uni-app如何实现路由拦截的知识分享
这里给大家分享我在网上总结出来的一些知识,希望对大家有所帮助 前言 随着业务的需求,项目需要支持H5.各类小程序以及IOS和Android,这就需要涉及到跨端技术,不然每一端都开发一套,人力成本和维护 ...
- verilog基本语法之always和assign
always和assign的作用 一.语法定义 assign,连续赋值.always,敏感赋值.连续赋值,就是无条件全等.敏感赋值,就是有条件相等.assign的对象是wire,always的对象是r ...
- 英语文档阅读学习系列之Zynq-7000 EPP Software Developers Guide
阅读ug821-zynq-7000-swdev记录 1.略看目录Table 依旧采用总说加解释的模式,这种方式易于查找,是可靠的框架.目录词条依次为: Introduction Software Ap ...
- 程序员/后端开发方向Java 跳槽注意事项(简历和面试经验分享)
程序员/后端开发方向Java 跳槽注意事项(简历和面试经验分享) 应届生面试经验参考:https://www.cnblogs.com/rainbow-1/p/16779048.html 简历: 1.个 ...
- 关于商业智能(Business Intelligence,简称BI)的认识
一.早期(1958年)定义 商业智能描述了一系列的概念和方法,通过应用基于事实的支持系统来辅助商业决策的制定. 二.帆软数据调研 帆软数据应用研究院对770多家企业的1400多名从业人员进行了调研(云 ...
- 使用OHOS SDK构建flac
参照OHOS IDE和SDK的安装方法配置好开发环境. 从github下载源码. 执行如下命令: git clone --depth=1 https://github.com/xiph/flac 进入 ...
- 一文弄懂java中的Queue家族
目录 简介 Queue接口 Queue的分类 BlockingQueue Deque TransferQueue 总结 java中Queue家族简介 简介 java中Collection集合有三大家族 ...
- OpenHarmony 官网文档有哪些上新?上篇:应用开发文档上新
随着 OpenAtom OpenHarmony(以下简称"OpenHarmony")系统能力持续升级,已具备支撑复杂带屏标准设备和应用开发的基础能力.相较于旧版本,OpenHarm ...
- keycloak~网站对接到Keycloak的步骤
新网站对接到KC的部署 kc的环境 向kc申请自己的客户端 kc的登录接口 通过code换token接口 刷新token接口 kc的用户信息接口 kc的jwt token说明 1. kc的环境 测试环 ...
- spring复习(二)AOP
1.aop基于xml以及注解的AOP配置 什么是AOP 简单的说它就是把我们程序重复的代码抽取出来,在需要执行的时候,使用动态代理的技术,在不修改源码的基础上,对我们的已有方法进行增强. AOP术语: ...