因为课程项目需要用到知网爬虫,在GitHub上搜索后发现CyrusRenty的CNKI-download仓库,但是clone下来后发现不太能用,因此对其进行了修改,除下载文献以及验证码功能外,其余功能亲测可用。
因为仅接入校园网不能使得知网识别出学校(需要通过另一个学校VPN才行),下载文献功能我无法使用o(╥﹏╥)o,也就没能修改。验证码我也没有遇到,在爬取每个页面时尽量保证足够的间隔时间应该可以规避该问题。
PS:对于NoneType等问题,我粗暴的try catch忽略了,因此如果您看到爬取完成后的Excel中某行有的字段没有数据,当做噪声删掉就好~如果您迫切需要所有完整字段,提issue我看看能不能帮到
PS:有时运行爬虫时可能会报以下错误:
这种情况,请关闭全局代理的VPN,并在浏览器中输入**知网地址查看能够正常进入,之后反复尝试运行程序即可。
关于本项目如果您有问题,可以直接提issue,希望我能在力所能及的情况下帮助您!如果您有更好的代码合入,肥肠欢迎提PR!
接下来的内容取自原作者,向原作者致敬∠(°ゝ°)
项目是基于Python3 实现的爬取知网数据的爬虫,可根据知网高级检索进行搜索,提供文献基本信息、文献下载、文献摘要等详细信息爬取功能。
实现过程可以查看我的博客
程序运行如下:
详细信息excel表格如下:
下载caj如下:
- 通过发送解析包形式抓取数据,相比于使用selenium等方式性能稍高一些。
- 可使用知网高级检索功能进行搜索,更高效检索文献。
- 可根据网络及知网反爬虫情况选择性开启详细信息抓取及下载caj文献功能。
- 利用excel表格快速查看所需文献摘要等信息,可根据excel提供下载链接选择性下载,防止下载过快导致知网反爬。
在验证码处理部分使用了
tesserocr
,不过验证效果目前不是很好,所以默认开启手动识别验证码。如果本地没有安装
tesseract
,可以先安装这个,再执行pip install tesserocr
。或者将CrackVerifyCode.py
文件第15、63、64行注释后再执行安装命令。
pip install -r requirements.txt
# Config.ini 为项目配置文件
# 0为关闭 1为开启
isDownloadFile = 1 # 是否下载文件
isCrackCode=0 # 是否自动识别验证码
isDetailPage=0 # 是否保存文献详细信息到excel
isDownLoadLink # 是否在excel中保存下载链接
stepWaitTime=5 # 每次下载及爬取详情页面停顿时间
建议下载和爬取详情页面不要同时开启,停顿时间不低于3秒。
python run-spider.py
爬虫运行完毕后,所有数据将保存在data文件夹下,data文件夹每次重新运行程序会自动删除旧的。
CNKI_download
-- data 存放所有爬取数据
-- CAJs 存放所有下载的caj原文
-- xxxxxxx.caj
-- xxxxxxx.caj
-- Links.txt 所有爬取文献的下载链接
-- ReferenceList.txt 爬取文献简要信息
-- Reference_detail.xls 文献详细信息excel表
- 项目运行的前提是电脑可以通过ip访问知网并下载(一般学校都买了数据库),快写完时候发现目前还有一个跳转接口,后续后增加公网访问。
- 如果出现“远程主机拒绝了访问”可以适当加长每次停顿的时间。
- 如果在运行过一次后,再次运行前记得关闭data文件夹中所有文件,否则可能会由于无法删除data文件夹报错。
- 如果只爬取信息不下载的话,可能会在运行1000条文献左右出现反复输入验证码情况(即使输入正确)。目前还不知道是什么原因
- 完成高级检索的其他未实现功能。
- 增加指定开始爬取页面信息,实现从上次错误处再次爬取。
- 增加公网跳转至知网接口,保证无法IP登录用户也可使用本爬虫。
- 创建代理池,基于公网跳转实现代理ip访问,减少知网封ip及输入验证码次数。
- 撰写程序实现及分析过程记录。