自动下载ICLR论文

该文章已生成可运行项目,

有同事的小孩想从https://openreview.net/group?id=ICLR.cc/2025/Conference#tab-accept-poster 

下载页面里的所有论文。国庆期间利用DeepSeek整了一段代码。可实现:

1. 用户输入所需要爬取的页面数,输入0表示爬取全部(不建议)

2. 接受用户输入后,自动将所需页面的所有论文标题,论文作者,PDF下载地址记录到EXCEL文档

3. 自动下载PDF文档到pdfs目录里

代码如下:

# -*- coding: utf-8 -*-
"""
Created on Thu Oct  9 16:41:04 2025

@author: oldhen
"""

import os
import time
import requests
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.common.exceptions import TimeoutException, NoSuchElementException
import pandas as pd
from urllib.parse import urljoin
import re

def clean_filename(filename):
    """清理文件名,移除非法字符"""
    # 移除Windows文件名中不允许的字符
    illegal_chars = r'[<>:"/\\|?*]'
    filename = re.sub(illegal_chars, '_', filename)
    # 限制文件名长度
    if len(filename) > 200:
        filename = filename[:200]
    return filename

def download_pdf(pdf_url, filename, folder='pdfs'):
    """下载PDF文件"""
    if not os.path.exists(folder):
        os.makedirs(folder)
    
    # 清理文件名
    filename = clean_filename(filename)
    filepath = os.path.join(folder, f"{filename}.pdf")
    
    try:
        # 构建完整的PDF URL
        full_pdf_url = urljoin("https://openreview.net", pdf_url)
        
        # 设置请求头
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
        }
        
        # 下载PDF
        response = requests.get(full_pdf_url, headers=headers, timeout=30)
        response.raise_for_status()
        
        # 保存文件
        with open(filepath, 'wb') as f:
            f.write(response.content)
        
        print(f"成功下载: {filename}.pdf")
        return True
        
    except Exception as e:
        print(f"下载失败 {filename}: {str(e)}")
        return False

def crawl_openreview():
    """爬取OpenReview论文信息"""
    # 询问用户要爬取的页数
    while True:
        try:
            pages = input("请输入要爬取的页数(0表示全部): ")
            pages = int(pages)
            if pages >= 0:
                break
            else:
                print("请输入非负整数")
        except ValueError:
            print("请输入有效的数字")
    
    # 初始化浏览器
    driver = webdriver.Chrome()  # 确保chromedriver在PATH中
    wait = WebDriverWait(driver, 10)
    
    try:
        # 打开目标网页
        url = "https://openreview.net/group?id=ICLR.cc/2025/Conference#tab-accept-poster"
        driver.get(url)
        print("页面加载中...")
        
        # 存储所有论文数据
        all_papers = []
        current_page = 1
        
        while True:
            print(f"\n正在爬取第 {current_page} 页...")
            
            # 等待论文列表出现
            try:
                wait.until(EC.presence_of_element_located((By.XPATH, "/html/body/div/div[4]/div/main/div/div/div[3]/div/div[2]/div[4]/div/div/ul")))
            except TimeoutException:
                print("论文列表加载超时")
                break
            
            # 滚动页面以触发动态加载
            for _ in range(3):
                driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
                time.sleep(2)
                driver.execute_script("window.scrollTo(0, 0);")
                time.sleep(1)
            
            # 获取所有论文条目
            paper_elements = driver.find_elements(By.XPATH, "/html/body/div/div[4]/div/main/div/div/div[3]/div/div[2]/div[4]/div/div/ul/li")
            print(f"找到 {len(paper_elements)} 篇论文")
            
            if len(paper_elements) == 0:
                print("没有找到论文,可能页面结构有变化")
                break
            
            # 遍历每篇论文
            for i, paper in enumerate(paper_elements):
                try:
                    # 获取论文标题
                    title_element = paper.find_element(By.XPATH, f"./div/h4/a[1]")
                    paper_title = title_element.text.strip()
                    
                    # 获取PDF下载链接
                    pdf_element = paper.find_element(By.XPATH, f"./div/h4/a[2]")
                    pdf_url = pdf_element.get_attribute("href")
                    
                    # 获取作者信息
                    author_elements = paper.find_elements(By.XPATH, f"./div/div[1]/span/a")
                    authors = [author.text for author in author_elements]
                    authors_str = ", ".join(authors) if authors else "未知作者"
                    
                    # 添加到列表
                    all_papers.append({
                        "标题": paper_title,
                        "作者": authors_str,
                        "PDF链接": pdf_url
                    })
                    
                    print(f"第 {i+1} 篇: {paper_title}")
                    
                    # 下载PDF
                    download_pdf(pdf_url, paper_title)
                    
                except Exception as e:
                    print(f"处理第 {i+1} 篇论文时出错: {str(e)}")
                    continue
            
            # 检查是否还需要继续翻页
            if pages > 0 and current_page >= pages:
                print(f"已达到指定的 {pages} 页,停止爬取")
                break
            
            # 尝试点击下一页
            try:
                next_button = driver.find_element(By.XPATH, "/html/body/div/div[4]/div/main/div/div/div[3]/div/div[2]/div[4]/div/div/nav/ul/li[13]/a")
                
                # 检查下一页按钮是否可点击
                if "disabled" in next_button.get_attribute("class"):
                    print("已是最后一页,停止爬取")
                    break
                
                # 点击下一页
                driver.execute_script("arguments[0].click();", next_button)
                current_page += 1
                
                # 等待页面加载
                time.sleep(3)
                
            except NoSuchElementException:
                print("找不到下一页按钮,停止爬取")
                break
            except Exception as e:
                print(f"翻页时出错: {str(e)}")
                break
        
        # 保存到Excel文件
        if all_papers:
            df = pd.DataFrame(all_papers)
            df.to_excel("lunwen.xlsx", index=False, engine='openpyxl')
            print(f"\n成功保存 {len(all_papers)} 篇论文信息到 lunwen.xlsx")
        else:
            print("没有找到任何论文数据")
            
    except Exception as e:
        print(f"爬取过程中出现错误: {str(e)}")
    
    finally:
        # 关闭浏览器
        driver.quit()
        print("程序执行完毕")

if __name__ == "__main__":
    crawl_openreview()

本文章已经生成可运行项目
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值