README.md

CNKI_download 中国知网爬虫

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：

特点

• 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。

使用方法

安装依赖

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

配置选项

# 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。

启动程序

python main.py

运行后文件结构说明

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

注意事项

• 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

TO DO LIST

• 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。