知网(CNKI)文献下载及文献速览爬虫

知网(CNKI)文献下载及文献速览爬虫

Property
Mar 8, 2022 10:15 PM
地址
https://github.com/CyrusRenty/CNKI-download
notion image

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:
notion image
详细信息excel表格如下:
notion image
下载caj如下:
notion image

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

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。