CNKI小爬虫(Python)

摘要: 做了一个不太完善的CNKI爬虫，只用了几个基本库，可以作为简单对urllib2,urllib等的理解

CNKI作为国文最大的数据库，虽然下载文章是需要登陆的，但是只除了全文外还有很多有价值的信息，包括文章名，作者，基金还有摘要，都可以作为重要数据进行匿名爬取，先写个简单的出来，之后有空再建个关联的数据吧

因为闲放在一个文件中太乱所以把他们分开两个文件，一个为主文件Crawl_cnki.py，一个为参数文件Parameters.py。文件包：https://github.com/shikanon/CNKI_crawler

参数文件主要是对提交参数做分析，对CNKI查询主要提交参数进行说明:

# -*- coding: cp936 -*-
#SU主题,TI篇名,KY关键词,AB摘要,FT全文
#笔者通过chorme抓包获取提交参数,值得注意的是CNKI为utf-8编码而非gbk编码
#而因为文档中出现中文所以默认为gbk编码了，所以中文需要先gbk解码再进行utf-8编码

import time

def ToUtf(string):
return string.decode('gbk').encode('utf8')

search={'SU':'分异','TI':'分异'}
DbCatalog=ToUtf('中国学术文献网络出版总库')
magazine=ToUtf('地理学报')
times=time.strftime('%a %b %d %Y %H:%M:%S')+' GMT+0800 (中国标准时间)'

parameter={'ua':'1.21',
'PageName':'ASP.brief_result_aspx',
'DbPrefix':'SCDB',
'DbCatalog':DbCatalog,
'ConfigFile':'SCDB.xml',
'db_opt':'CJFQ,CJFN,CDFD,CMFD,CPFD,IPFD,CCND,CCJD,HBRD',
'base_special1':'%',
'magazine_value1':magazine,
'magazine_special1':'%',
'his':'0',
'__':times}

def BuildQuery(value):
par={'txt_1_relation':'#CNKI_AND','txt_1_special1':'='}
i=0
for v in value:
i=i+1
par['txt_%d_sel'%i]=v
par['txt_%d_value1'%i]=ToUtf(value[v])
par['txt_%d_relation'%i]='#CNKI_AND'
par['txt_%d_special1'%i]='='
return par

def parameters():
parameters=dict(parameter,**BuildQuery(search))
return parameters

查询参数可以自己定义search，主要用到的还是“U主题,TI篇名,KY关键词,AB摘要,FT全文”这几项，如果还需要更多参数可以自己抓包，Chorme挺方便的。

下面是主程序：

# -*- coding: cp936 -*-
import urllib,urllib2,cookielib,httplib,time,re,Parameters

def ToUtf(string):
return string.decode('gbk').encode('utf8')

class CNKI:
def search(self):
#两个发送请求的主网页,知网需要两次发送请求,一次为参数请求,一次为返回页面请求
url='http://epub.cnki.net/KNS/request/SearchHandler.ashx?action=&NaviCode=*&'
url2='http://epub.cnki.net/kns/brief/brief.aspx?'

#生成cookie
cookie = cookielib.CookieJar()

#创建一个新的opener来使用cookiejar
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie),urllib2.HTTPHandler)

#构建头结构，模拟浏览器
#httplib.HTTPConnection.debuglevel = 1
hosturl='http://epub.cnki.net/kns/brief/result.aspx?dbprefix=scdb&action=scdbsearch&db_opt=SCDB'
headers={'Connection':'Keep-Alive',
'Accept':'text/html,*/*',
'User-Agent':'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/29.0.1547.66 Safari/537.36',
'Referer':hosturl}

#再将参数url编码,编码顺序并不影响提交成果
parameters=Parameters.parameters()
postdata=urllib.urlencode(parameters)

#构建第二次提交参数，不过貌似这些参数对返回值没有影响，尝试了修改keyValue和spvalue依然能正常返回
query_string=urllib.urlencode({'pagename':'ASP.brief_result_aspx','DbCatalog':'中国学术文献网络出版总库',
'ConfigFile':'SCDB.xml','research':'off','t':int(time.time()),
'keyValue':'','dbPrefix':'SCDB',
'S':'1','spfield':'SU','spvalue':'',
})

#实施第一步提交申请
req=urllib2.Request(url+postdata,headers=headers)
html=opener.open(req).read()
with open('web1.html','w') as e:
e.write(html)

#第二步提交申请,第二步提交后的结果就是查询结果
req2=urllib2.Request(url2+query_string,headers=headers)
result2 = opener.open(req2)
html2=result2.read()
#打印cookie值,如果需要下载文章的话还需要登陆处理
for item in cookie:
print 'Cookie:%s:/n%s/n'%(item.name,item.value)
with open('web2.html','w') as e:
e.write(html2)

print self.Regular(html)

def Regular(self,html):
reg='<a href="(.*?)"\ttarget'
comlists=re.findall(re.compile(reg),html)
return comlists

cnki=CNKI()
cnki.search()

知网网址需要两次Request，第一次提交是获取参数页，第二次其实提交Request是作为请求信息返回，参数值好像并没有什么用，我尝试改了也能正常返回，匹配规则主要是用(.*?)抽取链接，之后对新的链接的写入就没有写了.