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)

Python采集知网的更多相关文章

  1. Python开源爬虫项目代码:抓取淘宝、京东、QQ、知网数据--转

    数据来源:数据挖掘入门与实战  公众号: datadw scrapy_jingdong[9]- 京东爬虫.基于scrapy的京东网站爬虫,保存格式为csv.[9]: https://github.co ...

  2. Python爬取中国知网文献、参考文献、引证文献

    前两天老师派了个活,让下载知网上根据高级搜索得到的来源文献的参考文献及引证文献数据,网上找了一些相关博客,感觉都不太合适,因此特此记录,希望对需要的人有帮助. 切入正题,先说这次需求,高级搜索,根据中 ...

  3. 使用selenium模拟知网登录

    之前都是用phantomjs和selenium模拟浏览器动作的,后来phantomjs不再更新,就转用chrome了 本次模拟登录的网站是中国知网http://login.cnki.net/login ...

  4. 中国知网cnki(永久会员账号)

    中国知网cnki(永久会员账号)大男孩免费分享   网站简介: (中国知网http://www.cnki.net/)中国知网是国家知识基础设施(National Knowledge Infrastru ...

  5. 论文 查重 知网 万方 paperpass

    相信各个即将毕业的学生或在岗需要评职称.发论文的职场人士,论文检测都是必不可少的一道程序.面对市场上五花八门的检测软件,到底该如何选择?选择查重后到底该如何修改?现在就做一个知识的普及.其中对于中国的 ...

  6. 2015年最新中国知网CNKI免费账号直接入口

    以下是Free9免费资源网小编收集整理的2015年最新中国知网CNKI免费账号直接入口,现免费分享给大家(仅供测试使用),此类文献数据库资源有时效性,希望对您的学习.工作上有所帮助! 中国知网直接入口 ...

  7. 如何将中国知网CNKI中的文献导入EndNote X6

    如何将中国知网CNKI中的文献导入EndNote X6 下面给出具体步骤: 1.在CNKI中检索目标文献,如检索<基于Qt的三维可视化技术研究> 我喜欢在CNKI(http://www.c ...

  8. 去掉cajviewer 右上角的“中国知网数字出版物超市

    cajviewer软件是一款可以提取pdf字码的软件(即使pdf是扫描版的) 下面是转的一个博文可以去除软件右上角图标的方法: 去掉cajviewer 7.1.2右上角的“中国知网数字出版物超市” 1 ...

  9. Python教程百度网盘哪里有?

    Python为我们提供了非常完善的基础代码库,覆盖了网络.文件.GUI.数据库.文本等大量内容,被形象地称作"内置电池(batteries included)".带你快速入门的Py ...

  10. 如何将知网下载的caj文件转换为pdf文件

    一.问题描述: 最近在知网搜索论文的时候,经常遇到有的论文没有pdf文件的情况,但不得不吐槽我觉得知网做的阅读器确实是有点烂.所以想将caj文件转化为pdf文件,找到了一个比较好的方法,所以希望记录一 ...

随机推荐

  1. H5外部浏览器唤起微信分享

    最近在做一个手机站,要求点击分享可以直接打开微信分享出去.而不是jiathis,share分享这种的点击出来二维码.在网上看了很多,都说APP能唤起微信,手机网页实现不了.也找了很多都不能直接唤起微信 ...

  2. 记录--Vue中使用websocket的正确姿势

    这里给大家分享我在网上总结出来的一些知识,希望对大家有所帮助 1:首先谈谈websocket是什么? WebSocket是一种在单个TCP连接上进行全双工通信的协议.WebSocket通信协议于201 ...

  3. 记录--uni-app实现蓝牙打印小票

    这里给大家分享我在网上总结出来的一些知识,希望对大家有所帮助 说明 基于uni-app开发,调用官方蓝牙相关api实现连接蓝牙与向蓝牙热敏打印机发送字节流,可打印文字,二维码,图片,调整字体大小等,本 ...

  4. 花了100块大洋搞懂 ipv6的用户如何访问ipv4 服务器

    大家好,今天蓝胖子花了100多块搞懂了 ipv6的用户如何访问ipv4 服务器,将收获与大家分享下. ipv4和ipv6的协议栈不同,这意味着,其对应的ip包的封装和解析不同,那么只支持ipv4的机器 ...

  5. 【已解决】(MySQL)SQL注入绕过登陆验证直接登陆---用户名输入框注释sql密码语句段

    今天学习了一种sql注入方法,通过注释密码验证部分的sql语句. 这是登陆界面 在用户名如果输入 15284206891' and 1=1 # 密码可以随意输入即可登陆成功 原理如下: 在sql可视化 ...

  6. Android Graphics 多屏同显/异显 - C++示例程序(标准版)

    "为了理解Android多屏同显/异显的基本原理,我们将从Native Level入手,基于Graphics APIs写作一个简单的C++版本的多屏显示互动的演示程序.通过这个程序我们将了解 ...

  7. HUAWEI DevEco Testing注入攻击测试:以攻为守,守护OpenHarmony终端安全

    OpenAtom OpenHarmony(以下简称"OpenHarmony")作为面向全场景的开源分布式操作系统,可广泛应用于智能家居物联网终端.智能穿戴.智慧大屏.汽车智能座舱. ...

  8. Go 语言 Printf 函数和格式化动词详解

    Printf() 函数可以使用多种格式化动词对输出进行格式化.下面是可以与所有数据类型一起使用的一些通用格式化动词: 以下动词适用于所有数据类型: 动词 描述 %v 以默认格式打印值 %#v 以 Go ...

  9. 美团一面:说说synchronized的实现原理?问麻了。。。。

    引言 在现代软件开发领域,多线程并发编程已经成为提高系统性能.提升用户体验的重要手段.然而,多线程环境下的数据同步与资源共享问题也随之而来,处理不当可能导致数据不一致.死锁等各种并发问题.为此,Jav ...

  10. Windows编译PDF库:libharu

    libharu编译需要libpng,libpng依赖zlib,所以需要下载这三个库 libharu下载:http://libharu.org/ libpng下载:http://www.libpng.o ...