python爬虫——使用selenium爬取知网文献相关信息

版权声明：转载需注明来源 https://blog.csdn.net/weixin_44024393/article/details/89221821

1. 先看爬取的效果

2. 知网的反爬虫手段很强，反正我爬取pc端的时候，用selenium爬取获取不到源代码，真是气人，后来换成手机端就可以获取了，爬取手机端的操作如下。

3. 首先进入知网后，选择开发工具，建议放在右边，之后再点击图中红框的东东，然后刷新一下网页就切换到手机端了

4.进入手机端的界面如下图所示（注：记得刷新网页）：

5. 这是网址

6. 首先在调用selenium之前设置一些参数

from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
import time
import json
import csv

# 设置谷歌驱动器的环境
options = webdriver.ChromeOptions()
# 设置chrome不加载图片，提高速度
options.add_experimental_option("prefs", {"profile.managed_default_content_settings.images": 2})
# 创建一个谷歌驱动器
browser = webdriver.Chrome(options=options)
url = 'http://wap.cnki.net/touch/web/guide'

7. 既然使用selenium，那么我们需要获取输入框的id来自动输入关键字，输入关键字之后再获取搜索的按钮，然后点击

8.代码如下（输入的关键字是python）：

# 请求url
browser.get(url)
# 显示等待输入框是否加载完成
WebDriverWait(browser, 1000).until(
EC.presence_of_all_elements_located(
(By.ID, 'keyword')
)
)
# 找到输入框的id，并输入python关键字
browser.find_element_by_id('keyword').send_keys('python')
# 输入关键字之后点击搜索
browser.find_element_by_id('btnSearch ').click()

9. 在搜索关键字之后，跳转到这个界面

10. 通过selenium的显示等待，我们可以等待一些这些信息都被加载完成了，之后在进行爬取，这样就可以避免因为元素还没有加载出来而报错，如下图我们可以知道这些信息都是在这个div标签中的，所以我们可以等待这个元素是否加载出来了

# 显示等待文献是否加载完成
WebDriverWait(browser, 1000).until(
EC.presence_of_all_elements_located(
(By.CLASS_NAME, 'g-search-body')
)
)

11. 往下面翻页可以看到有个加载更多，通过显示等待判断这个按钮是否加载出来，如果没有加载出来就点击的话，那就报错了

12. 代码，等待这个按钮加载并获取该按钮

# 显示等待加载更多按钮加载完成
WebDriverWait(browser, 1000).until(
EC.presence_of_all_elements_located(
(By.CLASS_NAME, 'c-company__body-item-more')
)
)
# 获取加载更多按钮
Btn = browser.find_element_by_class_name('c-company__body-item-more')

13. 基本的讲的差不多了，接下来就是开始获取信息了

14. 获取信息是爬虫的基本能力，这里就不多说了，下图的代码看注释

15. 上面说的意思是这样的，看图，正好我们需要的信息标签都是1，3，5，7，9以此类推，所以是2*count-1

16. 剩下的就没有什么好说的了，代码注释基本都有写，完整代码附上

from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
import time
import json
import csv

# 设置谷歌驱动器的环境
options = webdriver.ChromeOptions()
# 设置chrome不加载图片，提高速度
options.add_experimental_option("prefs", {"profile.managed_default_content_settings.images": 2})
# 创建一个谷歌驱动器
browser = webdriver.Chrome(options=options)
url = 'http://wap.cnki.net/touch/web/guide'
# 声明一个全
1e378
局列表，用来存储字典
data_list = []

def start_spider(page):
# 请求url
browser.get(url)
# 显示等待输入框是否加载完成
WebDriverWait(browser, 1000).until(
EC.presence_of_all_elements_located(
(By.ID, 'keyword')
)
)
# 找到输入框的id，并输入python关键字
browser.find_element_by_id('keyword').send_keys('python')
# 输入关键字之后点击搜索
browser.find_element_by_id('btnSearch ').click()# print(browser.page_source)
# 显示等待文献是否加载完成
WebDriverWait(browser, 1000).until(
EC.presence_of_all_elements_located(
(By.CLASS_NAME, 'g-search-body')
)
)

# 声明一个标记，用来标记翻页几页
count = 1
while True:
# 显示等待加载更多按钮加载完成
WebDriverWait(browser, 1000).until(
EC.presence_of_all_elements_located(
(By.CLASS_NAME, 'c-company__body-item-more')
)
)
# 获取加载更多按钮
Btn = browser.find_element_by_class_name('c-company__body-item-more')# 显示等待该信息加载完成
WebDriverWait(browser, 1000).until(
EC.presence_of_all_elements_located(
(By.XPATH, '//div[@id="searchlist_div"]/div[{}]/div[@class="c-company__body-item"]'.format(2*count-1))
)
)
# 获取在div标签的信息，其中format(2*count-1)是因为加载的时候有显示多少条
# 简单的说就是这些div的信息都是奇数
divs = browser.find_elements_by_xpath('//div[@id="searchlist_div"]/div[{}]/div[@class="c-company__body-item"]'.format(2*count-1))
# 遍历循环
for div in divs:
# 获取文献的题目
name = div.find_element_by_class_name('c-company__body-title').text
# 获取文献的作者
author = div.find_element_by_class_name('c-company__body-author').text
# 获取文献的摘要
content = div.find_element_by_class_name('c-company__body-content').text
# 获取文献的来源和日期、文献类型等
text = div.find_element_by_class_name('c-company__body-name').text.split()
if (len(text) == 3 and text[-1] == '优先') or len(text) == 2:
# 来源
source = text[0]
# 日期
datetime = text[1]
# 文献类型
literature_type = None
else:
source = text[0]
datetime = text[2]
literature_type = text[1]
# 获取下载数和被引数
temp = browser.find_element_by_class_name('c-company__body-info').text.split()
# 下载数
download = temp[0].split('：')[-1]
# 被引数
cite = temp[1].split('：')[-1]

# 声明一个字典存储数据
data_dict = {}
data_dict['name'] = name
data_dict['author'] = author
data_dict['content'] = content
data_dict['source'] = source
data_dict['datetime'] = datetime
data_dict['literature_type'] = literature_type
data_dict['download'] = download
data_dict['cite'] = cite

data_list.append(data_dict)
print(data_dict)
# 如果Btn按钮（就是加载更多这个按钮）没有找到（就是已经到底了），就退出
if not Btn:
break
else:
Btn.click()
# 如果到了爬取的页数就退出
if count == page:
break

count += 1

# 延迟两秒，我们不是在攻击服务器
time.sleep(2)

def main():

start_spider(eval(input('请输入要爬取的页数（如果需要全部爬取请输入0）：')))

# 将数据写入json文件中
with open('data_json.json', 'a+', encoding='utf-8') as f:
json.dump(data_list, f, ensure_ascii=False, indent=4)
print('json文件写入完成')

# 将数据写入csv文件
with open('data_csv.csv', 'w', encoding='utf-8', newline='') as f:
# 表头
title = data_list[0].keys()
# 声明writer对象
writer = csv.DictWriter(f, title)
# 写入表头
writer.writeheader()
# 批量写入数据
writer.writerows(data_list)
print('csv文件写入完成')

if __name__ == '__main__':

main()