进入知网网址:http://www.cnki.net/
搜索知网关键词,例如离在岸人民币
顺序获取各文章题目和摘要,并优先进行PDF下载,如果没有PDF就进行CAJ下载,信息保存在items列表里。
下面为实现代码
# -*- coding: utf-8 -*-
"""
Created on Sun May 12 10:28:10 2019
@author: Administrator
"""
from selenium.webdriver.chrome.options import Options
from selenium import webdriver
import time
import sys
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
class Item(object):
title = None #更:论文名
value = None #更:数据内容
def zhi(keyword='quantile',num=10,show=True,url='http://www.cnki.net/',download=False):
#keyword为关键词,num为爬取页数,show为是否可视
chrome_options = Options()
chrome_options.add_argument('--no-sandbox')#解决DevToolsActivePort文件不存在的报错
chrome_options._arguments = ['disable-infobars']#去掉谷歌浏览器正在被自动测试控制字样
chrome_options.add_argument('window-size=1920x3000') #指定浏览器分辨率
chrome_options.add_argument('--disable-gpu') #谷歌文档提到需要加上这个属性来规避bug
chrome_options.add_argument('--hide-scrollbars') #隐藏滚动条, 应对一些特殊页面
chrome_options.add_argument('blink-settings=imagesEnabled=false') #不加载图片, 提升速度
# =============================================================================
# #改变下载路径
# prefs = {"download.default_directory": r'C:\Users\Administrator\Desktop'}
# chrome_options.add_experimental_option("prefs", prefs)
# =============================================================================
##加载用户信息的谷歌浏览器
chrome_options.add_argument("--user-data-dir="+r"C:\Users\Administrator\AppData\Local\Google\Chrome\User Data")
if not show : chrome_options.add_argument('--headless') #浏览器不提供可视化页面. linux下如果系统不支持可视化不加这条会启动失败
driver = webdriver.Chrome(chrome_options=chrome_options) # 调用带参数的谷歌浏览器
driver.maximize_window() #窗口最大化
driver.get(url)
print('正在加载界面....')
wait = WebDriverWait(driver, 15)
wait.until(EC.presence_of_element_located((By.ID, "txt_SearchText"))).send_keys(keyword)
#driver.find_element_by_id("txt_SearchText").send_keys('quantile')
driver.find_element_by_xpath("//input[@class='search-btn' and @type='button']").click()
#等待搜索结果显示
wait.until(EC.presence_of_element_located((By.ID, "CDMD")))
driver.switch_to.frame(1)
i=0
while True:
for n in range(2,22):
ye = i*20+n-1
if ye > num :
if download :input('请输入quit,使程序结束')
driver.quit()
sys.exit()
wait.until(EC.presence_of_element_located((By.XPATH,'//tr[{}]//a[@class="fz14"]'.format(n)))).click()
#切换到最新窗口
windows=driver.window_handles #获得当前浏览器所有窗口
driver.switch_to.window(windows[-1]) #切换到最新打开窗口(注:也就是全部课程这个窗口)
try:
title = wait.until(EC.presence_of_element_located((By.XPATH, "//h2[contains(@class,'title')]")))
item = Item()
if download :
try :
try : driver.find_element_by_id("pdfDown").click()
except :driver.find_element_by_id("cajDown").click()
driver.switch_to.window(windows[-1])
except :print('警告:第{}页第{}个标题为:{}\n无法下载'.format(i+1,ye,title.text))
try :
summary = driver.find_element_by_id("ChDivSummary")
item.value = summary.text
except :print('警告:第{}页第{}个标题为:{}\n不存在摘要'.format(i+1,ye,title.text))
item.title = title.text
items.append(item)
except :
print('第%s个未加载成功'%ye)
#time.sleep(3)
driver.close()
#windows=driver.window_handles #获得当前浏览器所有窗口
driver.switch_to.window(windows[0])
driver.switch_to.frame(1)
#下一页
#driver.switch_to_default_content()
wait.until(EC.presence_of_element_located((By.XPATH, '//a[@title="键盘的“← →”可以实现快速翻页"][last()]'))).click()
print('提示:第{}页第{}个标题为:{}已收录成功'.format(i+1,ye,title.text))
i += 1
if __name__ == '__main__':
#开始计时
start=time.perf_counter()
items=[]
zhi('离在岸人民币',num=1,download=True)
#结束计时
end=time.perf_counter()
total=(end-start)/60
#计算结束时间
current=time.time()
current_time=time.localtime(current)
h=current_time[3]
h2=current_time[4]
if h<10 : h='0'+str(h)
if h2<10 : h2='0'+str(h2)
print('-----------------程序已运行结束-----------------')
print ('注:程序共运行%.2f分钟,结束时间:%s:%s' %(total,h,h2))