forked from itstyren/CNKI-download
-
Notifications
You must be signed in to change notification settings - Fork 1
/
main.py
246 lines (228 loc) · 9.83 KB
/
main.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
"""
-------------------------------------------------
File Name： main.py
Description : 爬虫主程序
Author : Cyrus_Ren
date： 2018/12/8
-------------------------------------------------
Change Activity:
-------------------------------------------------
"""
__author__ = 'Cyrus_Ren'
import requests
import re
import time, os, shutil, logging
from UserInput import get_uesr_inpt
from GetConfig import config
from CrackVerifyCode import crack
from GetPageDetail import page_detail
# 引入字节编码
from urllib.parse import quote
# 引入beautifulsoup
from bs4 import BeautifulSoup
HEADER = config.crawl_headers
# 获取cookie
BASIC_URL = 'http://kns.cnki.net/kns/brief/result.aspx'
# 利用post请求先行注册一次
SEARCH_HANDLE_URL = 'http://kns.cnki.net/kns/request/SearchHandler.ashx'
# 发送get请求获得文献资源
GET_PAGE_URL = 'http://kns.cnki.net/kns/brief/brief.aspx?pagename='
# 下载的基础链接
DOWNLOAD_URL = 'http://kns.cnki.net/kns/'
# 切换页面基础链接
CHANGE_PAGE_URL = 'http://kns.cnki.net/kns/brief/brief.aspx'
class SearchTools(object):
'''
构建搜索类
实现搜索方法
'''
def __init__(self):
self.session = requests.Session()
self.cur_page_num = 1
# 保持会话
self.session.get(BASIC_URL, headers=HEADER)
def search_reference(self, ueser_input):
'''
第一次发送post请求
再一次发送get请求,这次请求没有写文献等东西
两次请求来获得文献列表
'''
static_post_data = {
'action': '',
'NaviCode': '*',
'ua': '1.21',
'isinEn': '1',
'PageName': 'ASP.brief_default_result_aspx',
'DbPrefix': 'SCDB',
'DbCatalog': '中国学术期刊网络出版总库',
'ConfigFile': 'CJFQ.xml',
'db_opt': 'CJFQ,CDFD,CMFD,CPFD,IPFD,CCND,CCJD', # 搜索类别（CNKI右侧的）
'db_value': '中国学术期刊网络出版总库',
'year_type': 'echar',
'his': '0',
'db_cjfqview': '中国学术期刊网络出版总库,WWJD',
'db_cflqview': '中国学术期刊网络出版总库',
'__': time.asctime(time.localtime()) + ' GMT+0800 (中国标准时间)'
}
# 将固定字段与自定义字段组合
post_data = {**static_post_data, **ueser_input}
# 必须有第一次请求，否则会提示服务器没有用户
first_post_res = self.session.post(
SEARCH_HANDLE_URL, data=post_data, headers=HEADER)
# get请求中需要传入第一个检索条件的值
key_value = quote(ueser_input.get('txt_1_value1'))
self.get_result_url = GET_PAGE_URL + first_post_res.text + '&t=1544249384932&keyValue=' + key_value + '&S=1&sorttype='
# 检索结果的第一个页面
second_get_res = self.session.get(self.get_result_url, headers=HEADER)
change_page_pattern_compile = re.compile(
r'.*?pagerTitleCell.*?<a href="(.*?)".*')
self.change_page_url = re.search(change_page_pattern_compile,
second_get_res.text).group(1)
self.parse_page(
self.pre_parse_page(second_get_res.text), second_get_res.text)
def pre_parse_page(self, page_source):
'''
用户选择需要检索的页数
'''
reference_num_pattern_compile = re.compile(r'.*?找到 (.*?) ')
reference_num = re.search(reference_num_pattern_compile,
page_source).group(1)
reference_num_int = int(reference_num.replace(',', ''))
print('检索到' + reference_num + '条结果，全部下载大约需要' +
s2h(reference_num_int * 5) + '。')
is_all_download = input('是否要全部下载（y/n）?')
# 将所有数量根据每页20计算多少页
if is_all_download == 'y':
page, i = divmod(reference_num_int, 20)
if i != 0:
page += 1
return page
else:
select_download_num = int(input('请输入需要下载的数量：'))
while True:
if select_download_num > reference_num_int:
print('输入数量大于检索结果，请重新输入！')
select_download_num = int(input('请输入需要下载的数量（不满一页将下载整页）：'))
else:
page, i = divmod(select_download_num, 20)
# 不满一页的下载一整页
if i != 0:
page += 1
print("开始下载前%d页所有文件，预计用时%s" % (page, s2h(page * 20 * 5)))
print('－－－－－－－－－－－－－－－－－－－－－－－－－－')
return page
def parse_page(self, download_page_left, page_source):
'''
保存页面信息
解析每一页的下载地址
'''
soup = BeautifulSoup(page_source, 'lxml')
# 定位到内容表区域
tr_table = soup.find(name='table', attrs={'class': 'GridTableContent'})
# 处理验证码
try:
# 去除第一个tr标签（表头）
tr_table.tr.extract()
except Exception as e:
logging.error('出现验证码')
return self.parse_page(
download_page_left,
crack.get_image(self.get_result_url, self.session,
page_source))
# 遍历每一行
for index, tr_info in enumerate(tr_table.find_all(name='tr')):
tr_text = ''
download_url = ''
detail_url = ''
# 遍历每一列
for index, td_info in enumerate(tr_info.find_all(name='td')):
# 因为一列中的信息非常杂乱，此处进行二次拼接
td_text = ''
for string in td_info.stripped_strings:
td_text += string
tr_text += td_text + ' '
with open(
'data/ReferenceList.txt', 'a',
encoding='utf-8') as file:
file.write(td_text + ' ')
# 寻找下载链接
dl_url = td_info.find('a', attrs={'class': 'briefDl_D'})
# 寻找详情链接
dt_url = td_info.find('a', attrs={'class': 'fz14'})
# 排除不是所需要的列
if dt_url:
detail_url = dt_url.attrs['href']
if dl_url:
download_url = dl_url.attrs['href']
# 将每一篇文献的信息分组
single_refence_list = tr_text.split(' ')
self.download_refence(download_url, single_refence_list)
# 是否开启详情页数据抓取
if config.crawl_isdetail == '1':
time.sleep(config.crawl_stepWaitTime)
page_detail.get_detail_page(self.session, self.get_result_url,
detail_url, single_refence_list,
self.download_url)
# 在每一行结束后输入一个空行
with open('data/ReferenceList.txt', 'a', encoding='utf-8') as file:
file.write('\n')
# download_page_left为剩余等待遍历页面
if download_page_left > 1:
self.cur_page_num += 1
self.get_another_page(download_page_left)
def get_another_page(self, download_page_left):
'''
请求其他页面和请求第一个页面形式不同
重新构造请求
'''
time.sleep(config.crawl_stepWaitTime)
curpage_pattern_compile = re.compile(r'.*?curpage=(\d+).*?')
self.get_result_url = CHANGE_PAGE_URL + re.sub(
curpage_pattern_compile, '?curpage=' + str(self.cur_page_num),
self.change_page_url)
get_res = self.session.get(self.get_result_url, headers=HEADER)
download_page_left -= 1
self.parse_page(download_page_left, get_res.text)
def download_refence(self,url, single_refence_list):
'''
拼接下载地址
进行文献下载
'''
print('正在下载: ' + single_refence_list[1] + '.caj')
name = single_refence_list[1] + '_' + single_refence_list[2]
# 检查文件命名，防止网站资源有特殊字符本地无法保存
file_pattern_compile = re.compile(r'[\\/:\*\?"<>\|]')
name = re.sub(file_pattern_compile, '', name)
# 拼接下载地址
self.download_url = DOWNLOAD_URL + re.sub(r'../', '', url)
# 保存下载链接
with open('data/Links.txt', 'a', encoding='utf-8') as file:
file.write(self.download_url + '\n')
# 检查是否开启下载模式
if config.crawl_isdownload == '1':
if not os.path.isdir('data/CAJs'):
os.mkdir(r'data/CAJs')
refence_file = requests.get(self.download_url, headers=HEADER)
with open('data/CAJs\\' + name + '.caj', 'wb') as file:
file.write(refence_file.content)
time.sleep(config.crawl_stepWaitTime)
def s2h(seconds):
'''
将秒数转为小时数
'''
m, s = divmod(seconds, 60)
h, m = divmod(m, 60)
return ("%02d小时%02d分钟%02d秒" % (h, m, s))
def main():
time.perf_counter()
if os.path.isdir('data'):
# 递归删除文件
shutil.rmtree('data')
# 创建一个空的
os.mkdir('data')
search = SearchTools()
search.search_reference(get_uesr_inpt())
print('－－－－－－－－－－－－－－－－－－－－－－－－－－')
print('爬取完毕，共运行：'+s2h(time.perf_counter()))
if __name__ == '__main__':
main()