python爬虫爬取知网

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 - useTime

print(“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”)

break

yan = 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url

soup = re.findall(r’<TR([.$\s\S]*?)', r.text)

#print(soup)#测试打印

for a in soup:

print(“-”, i1)

#print(a)#测试代码

i1 += 1

name = 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’', ‘’, name)

#print(‘第三次=’, name) # 测试代码

name = re.sub(r’', ‘’, 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URL

FN = 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，

summary = re.search(r’(?<=name=“ChDivSummary”>).+?(?=)', 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:

continue

ins = 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 = 0

for tkw in kw:

tnum += 1

tkw = tkw[21:-1]

if tnum > 8:

break

ws.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’ \

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。