python爬取知网论文信息

用Python爬取指望关于某个主题的所有论文摘要等信息。

很幸运的找到了一个大佬的代码来自己改改改！
先放大佬代码连接
Git
接下来就是我自己嚯嚯嚯改的，很小白的了。。。
应该是很详细得了
为了看懂这个代码，
我先看了另外一个大佬的比较一点简单代码，
爬取知网统计数据，并下载文献
然后学了一些关于正则匹配的（入门篇和中级篇）
正则匹配入门篇
我感觉把正则匹配学一些，然后稍微能看得懂一点的网页源码，就可以了。
打开网页——分析其源码————URL（找到每页不同的部分）——找到你需要爬去的地方——合适的正则匹配

#爬取知网论文作者，关键字，和摘要等信息，并保存在Excel里
import requests  # 导入requests 模块
import re
from urllib import request
import random
import time
import xlrd
from xlrd import open_workbook
from xlutils.copy import copyclass BeautifulPicture():def get_pic(self):data = xlrd.open_workbook(r'C:\\flim\library_my\new.xls')  # 打开xls文件，自己新建这个文件在运行路径，不然不行的哦table = data.sheets()[0]  # 打开第一张表table2 = data.sheets()[1]  # 打开第一张表i = table.nrows #上一次爬到的表1的行数i1 = 0i2 = table2.nrows #上一次爬到的表2的行数told = 0rb = open_workbook(r'C:\\flim\library_my\new.xls','utf-8')wb = copy(rb) # 将上一次爬到的复制到新表里，并在新表里继续添加纪录# 通过get_sheet()获取的sheet有write()方法ws = wb.get_sheet(0)ws1 = wb.get_sheet(1)p = 1  # 这里是页数for num in range(p, p + 100):# 这里的num是页码web_url ='http://kns.cnki.net/kns/brief/brief.aspx?curpage=%s&Reco' \'rdsPerPage=50&QueryID=8&ID=&turnpage=1&tpagemode=L&dbPref' \'ix=SCDB&Fields=&DisplayMode=listmode&PageName=ASP.brief_' \'default_result_aspx#J_ORDER&' % num #这里的URL实现了二次加载print('搜素页的URL=',web_url)# 这里开始是时间控制t = int(time.clock())print(t / 60, '分钟')useTime = t - told# 如果一个周期的时间使用太短，则等待一段时间# 主要用于防止被禁if (useTime < 120 and useTime > 10):print("useTime=%s" % useTime)whiteTime = 120 - useTimeprint("等待%s秒" % whiteTime)time.sleep(whiteTime)told = int(time.clock())print(t)print('开始网页get请求')r = self.request(web_url)  ## 这里是报错的解释，能知道到底是因为什么不能继续爬了# 一开始会看爬到的源代码，但是之后正式开始爬的时候，打印页面源代码会拉低爬虫效率yan = re.search(r'参数错误', r.text)if yan != None:print("参数")breakyan = re.search(r'验证码', r.text)if yan != None:print("验证")break#这里开始抓列表里每一个文献的urlsoup = re.findall(r'<TR([.$\s\S]*?)</TR>', r.text)#print(soup)#测试打印for a in soup:print("-", i1)#print(a)#测试代码i1 += 1name = re.search(r'_blank.*<', a)#print('初次取的=',name)#测试代码name = name.group()[8:-1]#print('第二次=',name)#测试代码name = re.sub(r'<font class=Mark>', '', name)#print('第三次=', name)  # 测试代码name = re.sub(r'</font>', '', name)#print('第四次=', name)  # 测试代码url = re.search(r'href=.*? ', a)#将’‘看做一个子表达式，惰性匹配一次就可以了url = url.group()#print('爬取的详情页的URL=',url)#测试代码# 将爬来的相对地址，补充为绝对地址url = "http://kns.cnki.net/KCMS/" + url[11:-2]#数字是自己数的。。。#print("url:%s" % url) # 这里是写代码时测试留下的print记录#下面是参考文献详情的URLFN = re.search(r'FileName.*?&', url)#.group()#出现错误 没有匹配！！！if FN !=None:#测试代码FN = re.search(r'FileName.*?&', url).group()#print(FN)#测试代码DN = re.search(r'DbName.*?&', url)#.group()if DN !=None:#测试代码DN=re.search(r'DbName.*?&', url).group()#print(DN) #测试代码DC = re.search(r'DbCode.*?&', url).group()DUrl = "http://kns.cnki.net/KCMS/detail/frame/list.aspx?%s%s%sRefType=1" % (FN, DN, DC)#print('DUrl=',DUrl)#测试代码# 这里打开文献详情页R = self.request(DUrl)#如果没有参考文献，则认为是劣质文献，不爬，转爬下一篇isR = re.search(r'参考文献', R.text)if i1 == 1:print("没有参考文献的文章:%s" % name)if isR == None:continue# 详情页print(i)print("文章名字:%s" % name)d = self.request(url).text#print('d=',d)#测试代码# 这里是文献摘要，自己写的！！！我拷summary = re.search(r'(?<=name="ChDivSummary">).+?(?=</span>)', d)summary=summary.group()#print('摘要=',summary)type = re.search(r'"\).html\(".*?"', d)type = type.group()[9:-1]ins = re.search(r'TurnPageToKnet\(\'in\',\'.*?\'', d)if ins == None:continueins = ins.group()[21:-1]wt = re.findall(r'TurnPageToKnet\(\'au\',\'.*?\'', d)writer = ""for w in wt:writer = writer + "," + w[21:-1]writer = writer[1:]ws.write(i, 0, name)    #文献名ws.write(i, 1, writer)  #作者名ws.write(i, 2, type)    #文献类别ws.write(i, 15, num)    #列表的页码ws.write(i, 3, summary)  # 摘要ws.write(i, 16, time.strftime('%Y-%m-%d %H:%M:%S', time.localtime(time.time()))) #记录的时间# 这里是文献的关键词，最多可以记录8个关键词kw = re.findall(r'TurnPageToKnet\(\'kw\',\'.*?\'', d)tnum = 0for tkw in kw:tnum += 1tkw = tkw[21:-1]if tnum > 8:breakws.write(i, 3 + tnum, tkw)# 这里是文献的来源基金fund = re.search(r'TurnPageToKnet\(\'fu\',\'.*?\'', d)if fund != None:fund = fund.group()[21:-1]ws.write(i, 11, fund)# 分类号cn = re.search(r'ZTCLS.*?</p', d)if cn != None:cn = cn.group()[19:-3]ws.write(i, 12, cn)# 这是机构jg = re.search(r'TurnPageToKnet\(\'in\',\'.*?\'', d)if jg != None:jg = jg.group()[21:-1]#print(jg)ws.write(i, 17, jg)# 是否为核心期刊sourinfo = re.search(r'sourinfo([.$\s\S]*?)</div', d)if sourinfo != None:sourinfo = sourinfo.group()# print(sourinfo)from_ = re.search(r'title.*</a', sourinfo).group()from_ = re.sub(r'title">.*?>', '', from_)from_ = re.sub(r'</a', '', from_)ws.write(i, 13, from_)core = re.search(r'中文核心期刊', sourinfo)if core != None:print(core.group())ws.write(i, 14, "中文核心期刊")# ws.write(i, 0, a)i += 1 # 增加页码的计数wb.save('new.xls') # 保存表格*******有改变 有问题def request(self, url):  # 返回网页的response# print(url)# 这里是伪造浏览器信息，和伪造来源user_agent = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Ch' \'rome/58.0.3029.81 Safari/537.36'referer = "http://kns.cnki.net/kns/brief/result.aspx"# 这里是伪造cookie，你要从浏览器里复制出来，粘贴在这里# 可以把里面的时间不断更新，这样能爬久一点cookie = 'cnkiUserKey=e0b40271-cdc0-fd83-36fa-9d4c5f8f2a86; RsPerPage=5' \'0; KNS_DisplayModel=custommode@CJFQ; UM_distinctid=161275ba757a' \'16-0ed232d4ab2da2-6010107f-15f900-161275ba75895e; Ecp_Cli' \'entId=3170915092701569567; ASP.NET_SessionId=3dnqvlsxovsla4' \'ywvr2ykp4c; SID_kns=123106; SID_crrs=125131; SID_klogin=12514' \'3; SID_krsnew=125132; SID_kcms=124113; SID_knsdelivery=125124;' \' CNZZDATA3258975=cnzz_eid%3D995934993-1516843818-http%253A%252' \'F%252Fkns.cnki.net%252F%26ntime%3D1517383256; Ecp_session=1; ' \'c_m_LinID=LinID=WEEvREcwSlJHSldRa1FhdkJkVWI2VUJNODFzUHlUaC9LN' \'XZrUDkrcXhYbz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoU' \'KaID8j8gFw!!&ot=02/01/2018 18:13:09; LID=WEEvREcwSlJHSldRa1F' \'hdkJkVWI2VUJNODFzUHlUaC9LNXZrUDkrcXhYbz0=$9A4hF_YAuvQ5obgVAqN' \'KPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!; c_m_expire=2018-02-01 ' \'18:13:09; Ecp_LoginStuts=%7B%22IsAutoLogin%22%3Afalse%2C%22U' \'serName%22%3A%22KT1008%22%2C%22ShowName%22%3A%22%25E8%25A5%2' \'5BF%25E5%258D%2597%25E7%259F%25B3%25E6%25B2%25B9%25E5%25A4%' \'25A7%25E5%25AD%25A6%22%2C%22UserType%22%3A%22bk%22%2C%22r%2' \'2%3A%22RrMW7A%22%7D'headers = {'User-Agent': user_agent,"Referer": referer,"cookie": cookie}r = requests.get(url, headers=headers, timeout=30)return rprint(time.clock())
beauty = BeautifulPicture()  # 创建类的实例
beauty.get_pic()  # 执行类中的方法#最后是爬取的信息存在Excel里面。。。
后续有空再更新更新吧，，，，
--------------------- 
作者：tinnarey 
来源：CSDN 
原文：https://blog.csdn.net/qq_28725953/article/details/79232655 
版权声明：本文为博主原创文章，转载请附上博文链接！

作者：tinnarey
来源：CSDN
原文：https://blog.csdn.net/qq_28725953/article/details/79232655
版权声明：本文为博主原创文章，转载请附上博文链接！