selenium 知網爬蟲之根據【關鍵詞】獲取文獻資訊

鹹魚Linux運維發表於2023-10-28

哈嘍大家好，我是鹹魚

之前鹹魚寫過幾篇關於知網爬蟲的文章，後臺反響都很不錯。雖然但是，鹹魚還是忍不住想訴苦一下

有些小夥伴文章甚至程式碼看都沒看完，就問我 ”為什麼只能爬這麼多條文獻資訊？“（看過程式碼的會發現我程式碼裡面定義了 papers_need 變數來設定爬取篇數），”為什麼爬其他文獻不行？我想爬 XXX 文獻“（因為程式碼裡面寫的是透過【知網高階搜尋中的文獻來源】來搜尋文章），或者是有些小夥伴直接把程式碼報錯貼給我，問我咋回事

我覺得在網上看到別人的程式碼，不要一昧地拿來主義，複製貼上就行了，你要結合你自己的本地環境對程式碼做適當地修改。比如定位 Xpath 元素路徑，不通電腦或者說不同瀏覽器同一元素的 Xpath 路徑有可能不是一樣的，這個路徑在我本地執行沒問題，到了你那裡就報錯

當看別人的程式碼時，最好先搞清楚：

別人是怎麼想的
別人為什麼要這麼寫
這麼寫的邏輯是什麼？

以我這幾篇知網爬蟲文章舉例：

為什麼要用 selenium 來爬取？
如何分析網頁？如何定位元素？（Xpath、CSS 選擇器等等）
如何透過 selenium 來模擬人為操作瀏覽器（滑鼠移動、點選、滑動視窗等等）

言歸正傳，鹹魚昨天收到一位粉絲私信說能不能根據【關鍵詞】來搜尋文獻

今天這篇文章著重講如何分析網頁結構然後使用 selenium 根據知網的關鍵詞來搜尋文獻。至於對搜尋到的文獻的爬取，本文不過多介紹，因為以前的文章已經寫過了

需求分析

我們先來看下如果要透過關鍵詞搜尋文獻，該怎麼操作？

知網：中國知網 (cnki.net)

首先我們登入網站，點選【高階搜尋】（也可以直接點選搜尋框中的【主題】下拉選擇）

然後我們點選【主題】——>選擇【關鍵詞】

輸入要搜尋的關鍵詞（例如：數字普惠金融）然後點選【檢索】

網頁分析&元素定位

結合前面的需求分析，我們就可以對網頁進行分析並定位出對應的元素

首先是【高階搜尋】，高階搜尋有一個連結：高階檢索-中國知網 (cnki.net)，這樣就能省掉一個步驟了

然後我們需要點選【主題】，才會出現下拉框。在分析網頁的時候我發現當出現下拉框時，標籤 <div class="sort-list" style="display: none;">" 中的 style 屬性由 "display: none;" 變成 "display: block;"

下拉框出現之後，我們需要定位到【關鍵詞】這個標籤

# 關鍵詞 Xpath 路徑或 CSS 選擇器
//*[@id="gradetxt"]/dd[1]/div[2]/div[1]/div[2]/ul/li[3]

li[data-val="KY"]

接著找到【搜尋框】的 Xpath 路徑。這裡是一個 input 元素，用於接收來自使用者的資料

# 輸入框
//*[@id="gradetxt"]/dd[1]/div[2]/input

往輸入框傳入資料之後，我們需要點選下面的【檢索】按鈕

# 檢索
/html/body/div[2]/div/div[2]/div/div[1]/div[1]/div[2]/div[2]/input

點選搜尋之後我們把【文獻條數】爬取下來

# 文獻條數
/html/body/div[3]/div[2]/div[2]/div[2]/form/div/div[1]/div[1]/span[1]/em

程式碼實現

selenium 是一個自動化測試工具，可以用來進行 web 自動化測試。其本質是透過驅動瀏覽器，完全模擬瀏覽器的操作（比如跳轉、輸入、點選、下拉等）來實現網頁渲染之後的結果，可支援多種瀏覽器

爬蟲中用到 selenium 主要是為了解決 requests 無法直接執行 JavaScript 程式碼等問題

匯入相關庫

import time
from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
from selenium.webdriver.common.action_chains import ActionChains

建立瀏覽器物件

這裡我用的是 Edge 瀏覽器

def webserver():
    # get直接返回，不再等待介面載入完成
    desired_capabilities = DesiredCapabilities.EDGE
    desired_capabilities["pageLoadStrategy"] = "none"

    # 設定微軟碟機動器的環境
    options = webdriver.EdgeOptions()
    
    # 設定瀏覽器不載入圖片，提高載入速度
    options.add_experimental_option("prefs", {"profile.managed_default_content_settings.images": 2})

    # 建立一個微軟碟機動器
    driver = webdriver.Edge(options=options)
    return driver

爬取網頁

其實邏輯並不難，就是先定位到各個元素然後用 selenium 來模擬我們人為點選瀏覽器的操作就行了

首先開啟頁面，等待個一兩秒讓網頁完全載入

    driver.get("https://kns.cnki.net/kns8/AdvSearch")
    time.sleep(2)

然後然下拉框顯示出來，前面我們提到：標籤 <div class="sort-list" style="display: none;">" 中的 style 屬性由 "display: none;" 變成 "display: block;" 時，就會出現下拉框

這裡我們透過執行 js 指令碼來修改裡面的 style 屬性

    # 修改屬性，使下拉框顯示
    opt = driver.find_element(By.CSS_SELECTOR, 'div.sort-list')  # 定位下拉框
    # 執行 js 指令碼進行屬性的修改; arguments[0]代表第一個屬性
    driver.execute_script("arguments[0].setAttribute('style', 'display: block;')", opt)

下拉框顯示出來之後我們需要點選【關鍵詞】，這樣才會切換到關鍵詞搜尋

這裡需要注意的是，當我在測試的時候發現下拉框載入是有問題的，這時候程式碼會報錯說Element <li data-val="KY">...</li> is not clickable at point (189, 249)

就會使得程式點選不了【關鍵詞】

而且我還發現如果載入不完全的話，需要滑鼠移動到下拉框那裡，讓下拉框完全載入。所以這裡我使用了 selenium 中的 ActionChains 來模擬滑鼠的操作

用 selenium 做自動化，有時候會遇到需要模擬滑鼠操作才能進行的情況，比如單擊、雙擊、點選滑鼠右鍵、拖拽等等

selenium 給我們提供了一個類來處理這類事件——ActionChains

還有一點需要注意的是：如果滑鼠只是移到【關鍵詞】，下拉框其實還是不能正確載入出來，最好是移動到下拉框的最底部或者關鍵詞後面的元素，這裡我移動到【通訊作者】

# 【通訊作者】定位
/html/body/div[2]/div/div[2]/div/div[2]/div[1]/div[1]/div[2]/ul/li[8]

li[data-val="RP"]

下拉框載入完成之後，定位到【關鍵詞】再點選

    # 滑鼠移動到下拉框
    ActionChains(driver).move_to_element(driver.find_element(By.CSS_SELECTOR, 'li[data-val="RP"]')).perform()

    # 找到[關鍵詞]選項並點選
    WebDriverWait(driver, 100).until(
        EC.visibility_of_element_located((By.CSS_SELECTOR, 'li[data-val="KY"]'))).click()

定位出搜尋框，傳入我們要搜尋的關鍵詞

    # 傳入關鍵字
    WebDriverWait(driver, 100).until(
        EC.presence_of_element_located((By.XPATH, '''//*[@id="gradetxt"]/dd[1]/div[2]/input'''))
    ).send_keys(keyword)

    # 點選搜尋
    WebDriverWait(driver, 100).until(
        EC.presence_of_element_located((By.XPATH, "/html/body/div[2]/div/div[2]/div/div[1]/div[1]/div[2]/div[2]/input"))
    ).click()

搜尋結果出來之後定位【文獻條數】，獲取對應的條數（text 標籤）

    # 獲取總文獻數和頁數
    res_unm = WebDriverWait(driver, 100).until(EC.presence_of_element_located(
        (By.XPATH, "/html/body/div[3]/div[2]/div[2]/div[2]/form/div/div[1]/div[1]/span[1]/em"))
    ).text

完整程式碼如下：

import time
from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
from selenium.webdriver.common.action_chains import ActionChains


def webserver():
    # get直接返回，不再等待介面載入完成
    desired_capabilities = DesiredCapabilities.EDGE
    desired_capabilities["pageLoadStrategy"] = "none"

    # 設定微軟碟機動器的環境
    options = webdriver.EdgeOptions()
    # 設定瀏覽器不載入圖片，提高速度
    options.add_experimental_option("prefs", {"profile.managed_default_content_settings.images": 2})

    # 建立一個微軟碟機動器
    driver = webdriver.Edge(options=options)

    return driver


def open_page(driver, keyword):
    # 開啟頁面，等待兩秒
    driver.get("https://kns.cnki.net/kns8/AdvSearch")
    time.sleep(2)

    # 修改屬性，使下拉框顯示
    opt = driver.find_element(By.CSS_SELECTOR, 'div.sort-list')  # 定位元素
    driver.execute_script("arguments[0].setAttribute('style', 'display: block;')", opt)  # 執行 js 指令碼進行屬性的修改；arguments[0]代表第一個屬性

    # 滑鼠移動到下拉框中的[通訊作者]
    ActionChains(driver).move_to_element(driver.find_element(By.CSS_SELECTOR, 'li[data-val="RP"]')).perform()

    # 找到[關鍵詞]選項並點選
    WebDriverWait(driver, 100).until(
        EC.visibility_of_element_located((By.CSS_SELECTOR, 'li[data-val="KY"]'))).click()

    # 傳入關鍵字
    WebDriverWait(driver, 100).until(
        EC.presence_of_element_located((By.XPATH, '''//*[@id="gradetxt"]/dd[1]/div[2]/input'''))
    ).send_keys(keyword)

    # 點選搜尋
    WebDriverWait(driver, 100).until(
        EC.presence_of_element_located((By.XPATH, "/html/body/div[2]/div/div[2]/div/div[1]/div[1]/div[2]/div[2]/input"))
    ).click()

    # 點選切換中文文獻
    WebDriverWait(driver, 100).until(
        EC.presence_of_element_located((By.XPATH, "/html/body/div[3]/div[1]/div/div/div/a[1]"))
    ).click()

    # 獲取總文獻數和頁數
    res_unm = WebDriverWait(driver, 100).until(EC.presence_of_element_located(
        (By.XPATH, "/html/body/div[3]/div[2]/div[2]/div[2]/form/div/div[1]/div[1]/span[1]/em"))
    ).text

    # 去除千分位裡的逗號
    res_unm = int(res_unm.replace(",", ''))
    page_unm = int(res_unm / 20) + 1
    print(f"共找到 {res_unm} 條結果, {page_unm} 頁。")


if __name__ == '__main__':
    keyword = "數字普惠金融"
    driver = webserver()
    open_page(driver, keyword)

結果如下：

堆糖網爬蟲(根據關鍵字下載圖片)
2021-10-24
爬蟲
快手API介面：根據關鍵詞獲取海量商品列表的秘訣
2023-11-21
API
VVICAPI介面解析，實現根據關鍵詞取商品列表
2023-09-19
API
爬蟲Selenium+PhantomJS爬取動態網站圖片資訊（Python）
2018-03-24
爬蟲JS網站Python
爬蟲實踐之獲取網易雲評論資料資訊
2022-03-29
爬蟲
根據關鍵詞取商品列表API返回值說明
2023-04-10
API
拼多多API：拼多多根據關鍵詞取商品列表 API
2023-03-01
API
分散式爬蟲之知乎使用者資訊爬取
2018-08-31
分散式爬蟲
拼多多根據關鍵詞取商品列表 API 返回值說
2023-05-10
API
Python 爬蟲獲取網易雲音樂歌手資訊
2019-03-04
Python爬蟲
利用Python爬蟲獲取招聘網站職位資訊
2021-08-09
Python爬蟲網站
Python 爬蟲獲取網易雲音樂歌手歌詞
2018-08-09
Python爬蟲
selenium + xpath爬取csdn關於python的博文博主資訊
2020-12-19
Python
爬蟲實戰（二）：Selenium 模擬登入並爬取資訊
2018-07-15
爬蟲
最簡單的網路圖片的爬取 --Pyhon網路爬蟲與資訊獲取
2020-04-04
爬蟲
利用requests+BeautifulSoup爬取網頁關鍵資訊
2018-11-13
網頁
Python實踐之合併WOS文獻資料，並對關鍵詞進行詞頻分析
2021-03-09
Python
SnowNLP——獲取關鍵詞（keywords(1)）
2021-03-05
【爬蟲】專案篇-使用selenium爬取大魚潮汐網
2024-04-05
爬蟲
3、爬蟲-selenium-獲取使用者cookie的使用
2024-07-01
爬蟲Cookie
使用Selenium從IEEE與谷歌學術批量爬取BibTex文獻引用
2021-05-30
谷歌
【Python爬蟲實戰】使用Selenium爬取QQ音樂歌曲及評論資訊
2021-03-24
Python爬蟲
根據微信code獲取換取使用者登入態資訊
2024-04-18
python爬蟲獲取天氣網實時資料
2022-11-29
Python爬蟲
Java爬蟲-爬取疫苗批次資訊
2024-06-03
Java爬蟲
爬蟲實現：根據IP地址反查域名
2019-04-13
爬蟲
Python爬蟲基礎之selenium
2022-07-13
Python爬蟲
爬蟲例項-淘寶頁面商品資訊獲取
2020-10-08
爬蟲
python爬蟲，獲取中國工程院院士資訊
2021-12-04
Python爬蟲
[Python] 網路爬蟲與資訊提取（1）網路爬蟲之規則
2020-11-06
Python爬蟲
多個電商平臺API介面聚合解析，實現根據關鍵詞取商品列表
2023-09-25
API
根據 IP 獲取省市名稱
2020-12-10
Python爬蟲訓練：爬取酷燃網視訊資料
2020-10-23
Python爬蟲
用Python網路爬蟲獲取Mikan動漫資源
2020-08-26
Python爬蟲
網路爬蟲如何獲取IP進行資料抓取
2022-05-19
爬蟲
python爬蟲——爬取大學排名資訊
2019-08-02
Python爬蟲
python爬蟲--爬取鏈家租房資訊
2020-05-16
Python爬蟲
根據兩個日期之間獲取LocalDate日曆列表
2024-05-22
LDA

selenium 知網爬蟲之根據【關鍵詞】獲取文獻資訊

需求分析

網頁分析&元素定位

程式碼實現

相關文章