首页 > 编程语言 >Python采集知网

Python采集知网

时间：2023-09-14 09:45:46浏览次数：150  
标签：5.0 item Python Mozilla 采集 Windows NET 知网 CLR

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)

标签：5.0,item,Python,Mozilla,采集,Windows,NET,知网,CLR
From： https://www.cnblogs.com/luomingui/p/17701445.html

相关文章

  • notepad运行python代码的步骤
    notepad运行python代码的步骤：1、用notepad++打开python文件。或者新建文件，保存为.py格式。2、在菜单栏上面有一个运行，我们点击运行->运行，或者使用快捷键F5。3、点击运行菜单后会弹出notepad++中的运行窗口，不是系统自带的cmd运行窗口。输入运行程序名的输入框填写内容为：cmd/k......
  • python：可变类型与不可变类型
    python：可变类型与不可变类型一、引用变量与变量在存储的存储形式在python有个id（）方法，可以获取某个变量指向的内存地址num1=10#num1实际储存在栈内存中，当调用num1时通过内存地址引用储存在数据区中的10#如果把num1的值赋予num2，两者是什么关系呢num2=num1print(num......
  • Python基于License的项目授权机制
    1需求说明当项目平台被首次部署在服务器上时，系统是没有被授权的。当客户希望将平台部署到某一台特定的服务器进行使用时，需要提供该服务器的MAC地址，以及授权到期时间，请求获取授权码，收到授权码后，就能正常使用迁移平台。授权方收到授权请求时，获得平台安装的目标服务器的MAC地址......
  • Python学习笔记-Python函数进阶
    函数多返回值思考如果一个函数有两个return，程序如何执行？例如：defreturn_num():return1return2result=return_num()print(result)上面代码只执行了第一个return，因为retrun可以退出当前函数，导致return下方的代码不执行。多个返回值如果一个函数要有多个返回值，书写方式示......
  • python
    Day01计算机基础和环境搭建课程概要计算机基础编程本质Python的介绍Python环境的搭建计算机基础1.1基本概念计算机的组成计算机是由多个硬件组合而成，常见的硬件有CPU，硬盘，内存，网卡，显示器，机箱，电源...注意事项：机械将零件组合到一起，他们是无法进行协作的操作系统......
  • 【计算机视觉开发（一）】： yolov5与python环境安装
    前言：最近正在学习计算机视觉开发这块，打算开通一个专栏记录学习总结以及遇到的问题汇总。本篇是这个系列的第一篇，主要是环境安装以及yolov5的介绍。关于计算机视觉：参考:百度百科-关于计算机视觉)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和......
  • SQLite - Python
    安装SQLite3可使用sqlite3模块与Python进行集成。sqlite3模块是由GerhardHaring编写的。它提供了一个与PEP249描述的DB-API2.0规范兼容的SQL接口。您不需要单独安装该模块，因为Python2.5.x以上版本默认自带了该模块。为了使用sqlite3模块，您首先必须创建一......
  • 软件测试|Python数据可视化神器——pyecharts教程（八）
    Pyecharts绘制热力图当涉及可视化数据时，热力图是一种强大的工具，它可以帮助我们直观地了解数据集中的模式和趋势。在本文中，我们将学习如何使用Python中的Pyecharts库创建热力图，以便将数据转化为可视化的形式。什么是热力图？热力图是一种用于显示数据密度的二维图表，其中颜色的变化......
  • 【Python】pandas 求风向数据中的主导风向
    data=[342.8,337.96,336.68,337.94,337.35,340.4,342.42,341.86,339.4,341.76,342.9,343.63,338.88,339.43]#风向角度区分directions={"北":[(348.76,360),(0,11.25)],"北东北":[(11.26,33.75)],"东北":[(33.76......
  • Python基础分享之一 函数
    函数最重要的目的是方便我们重复使用相同的一段程序。将一些操作隶属于一个函数，以后你想实现相同的操作的时候，只用调用函数名就可以，而不需要重复敲所有的语句。函数的定义首先，我们要定义一个函数,以说明这个函数的功能。defsquare_sum(a,b):c=a**2+b**2returnc这......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99