ScienceDirect内容爬虫
爬虫违法,本贴方法只限于个人对数据的分析使用,其爬虫程序已作相关设置,以减小服务器压力。不适宜长期使用。
一、前期准备
1、使用chrome打开ScienceDirect网站(https://www.sciencedirect.com),在搜索框输入想要查询的关键词再点击放镜按钮搜索,比如:extreme water level
2、在新跳转搜索结果列表页面打开浏览器的开发者工具(右键点击-查看网页源代码),搜索我们想要的内容,比如文章标题,看看是否能搜到。如果能搜索到表明我们需要的内容在html中,如果没有,那么这个网站很可能采用前后端分离的技术,我们所需要的数据很可能在json中,这种情况则需要找接口来获取。
3、通过查看源代码发现没有我们想要的数据。那么再试试看是否在json中,方法是在搜索列表页面右键-检查-网络-刷新浏览器以抓包-找出可能的数据包(查看preview标
得到接口为:https://www.sciencedirect.com/search/api
二、开始程序获取
1、首先导入必要库(有的库在本次实例中不一定用上)
1 import requests 2 import json,re,os 3 from bs4 import BeautifulSoup 4 from urllib.parse import quote
2、实际上这里还可以通过html的方式,尝试看看能否获取到数据
第1行:我们查询的关键词
第2行:前半部分的网址是搜索列表页面的地址,其中的quote(key)是将其转为浏览器中的编码格式。
第3行:是为了防止反爬虫而设置的
第7行:获取html数据
第8行:防止因为编码问题出现乱码情况
第9行:用BeautifulSoup解析html,方便对数据切片,因为html为字符串类型数据,不太方便定位数据位置
第10行:定位标题内容的类位置,(通过上面的元素标签中定位的方法,找出标题内容对应的类位置)
第11行:打印查看是否有内容,结果为一个空的列表,表明没有数据
1 key = 'extreme water level' 2 url = 'https://www.sciencedirect.com/search?qs='+quote(key) 3 headers = { 4 'cookie': 'search_ab=%7B%221%22%3A23%7D; sd_search=eyJhdXRoSGlzdG9yeSI6eyJwcmV2aW91c0N1c3RvbWVyIjp0cnVlLCJwcmV2aW91c0xvZ0luIjpmYWxzZX19.uRn%2Fj4TgvLEmApohDX%2FmiA2G8WsVm1yImoH3Mot2ZxY; EUID=5a74edc0-f0c2-4918-a17a-66731930dc86; id_ab=AEG; sd_session_id=012e12f879e18845c30b0a9170ac4912ea42gxrqa; acw=012e12f879e18845c30b0a9170ac4912ea42gxrqa%7C%24%7C7655A62AC882D5B269BB32EC1CC1FA66BFB036F913742AB6843F53CFFBCDE26B054E9D90CFD61FB88103979492FFB4EA4ACF86F54EABC9A63FBA44D1BD4E4F2EAFE9C31A29ED2080B6DA1F7CB1786ABB; ANONRA_COOKIE=AC4FAB305B9736FF9E8F009F581F56B5B5BD34D45FE243EBB2FAC7271249E9F096D5E4A555833E115E4A5D76175BE9945F2CB26604FED07A; has_multiple_organizations=false; __cf_bm=6ee31fd3af4f560d4d5d0906c971f77575face0b-1626413997-1800-AXcVXU6yJAqWmH+hPTzES7cu4h8ITDKR9SaZsBJK1MgUadBZjqCsmSDCdmc0zHagqGT1PM9GDgr1k0mS1T76Gb6SE5IQHj24mXluDvZ+eHDK; fingerPrintToken=e1fe7953298449ebbfc118c358a167eb; AMCVS_4D6368F454EC41940A4C98A6%40AdobeOrg=1; AMCV_4D6368F454EC41940A4C98A6%40AdobeOrg=-1124106680%7CMCIDTS%7C18824%7CMCMID%7C12297380359548630414269390810591070709%7CMCAID%7CNONE%7CMCOPTOUT-1626421207s%7CNONE%7CMCAAMLH-1627018807%7C11%7CMCAAMB-1627018807%7Cj8Odv6LonN4r3an7LhD3WZrU1bUpAkFkkiY1ncBR96t2PTI%7CMCCIDH%7C-582229202%7CMCSYNCSOP%7C411-18831%7CvVersion%7C5.2.0; s_pers=%20v8%3D1626414014787%7C1721022014787%3B%20v8_s%3DLess%2520than%25201%2520day%7C1626415814787%3B%20c19%3Dsd%253Asearch%253Aresults%253Acustomer-standard%7C1626415814789%3B%20v68%3D1626414007149%7C1626415814795%3B; MIAMISESSION=deb5a6e8-4414-46d9-b806-916bfbb38018:3803866821; SD_REMOTEACCESS=eyJhY2NvdW50SWQiOiI2MjYyNiIsInRpbWVzdGFtcCI6MTYyNjQxNDAyMTI4NX0=; s_sess=%20s_cpc%3D1%3B%20s_cc%3Dtrue%3B%20s_ppvl%3D%3B%20c21%3Dqs%253Dwater%2520level%3B%20e13%3Dqs%253Dwater%2520level%253A1%3B%20c13%3Drelevance-desc%3B%20e41%3D1%3B%20s_ppv%3Dsd%25253Asearch%25253Aresults%25253Acustomer-standard%252C18%252C18%252C801%252C813%252C801%252C1368%252C912%252C2%252CP%3B', 5 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36 Edg/91.0.864.67' 6 } 7 html = requests.get(url,headers=headers) 8 html.encoding=html.apparent_encoding 9 soup = BeautifulSoup(html.text,'lxml') 10 results = soup.select('.ResultItem.col-xs-24.push-m') 11 print(results)
3、通过json方法获取
第6行:参数需要在找到的包的Header标签中获取
再打印html可以发现存在数据,那么可以成功获取数据了
1 key = 'extreme water level' 2 url = 'https://www.sciencedirect.com/search/api' 3 headers = { 4 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36 Edg/91.0.864.70' 5 } 6 params = { 7 'qs': key, 8 't': '9NwQbtENcKA3t6ec13yc3J0oVqdNg1DW8FkZ4fWmlbcNo377tsI2SJxXzbXzVwMMUWW%2BAzqQnWkVBhGgXl1YEZB2ZEiI4q7ewQjm6xR64IyvpCFFhj%2FhSSA7wBjoACIKvKdDbfVcomCzYflUlyb3MA%3D%3D', 9 'hostname': 'www.sciencedirect.com' 10 } 11 html = requests.get(url,headers=headers,params=params)
4、以下是完整代码:
为了防止给服务器造成压力,这里我们对for循环设置间隔一定的时间,首先导入相关包
import time import random
第12行:是将json格式转化为python中的字典格式
第13行:在2-6(不包括6)之间随机生成一个整数,time.sleep(**),表示程序暂停,括号中的数值表示暂停的时间(秒)
for循环中的标题、出版日等字段都是在网页json包中的preview中查询到的。
1 key = 'extreme water level' 2 url = 'https://www.sciencedirect.com/search/api' 3 headers = { 4 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36 Edg/91.0.864.70' 5 } 6 params = { 7 'qs': key, 8 't': '9NwQbtENcKA3t6ec13yc3J0oVqdNg1DW8FkZ4fWmlbcNo377tsI2SJxXzbXzVwMMUWW%2BAzqQnWkVBhGgXl1YEZB2ZEiI4q7ewQjm6xR64IyvpCFFhj%2FhSSA7wBjoACIKvKdDbfVcomCzYflUlyb3MA%3D%3D', 9 'hostname': 'www.sciencedirect.com' 10 } 11 html = requests.get(url,headers=headers,params=params) 12 data = json.loads(html.text)['searchResults'] 13 time.sleep(random.randint(2,6)) 14 for d in data: 15 article_type = d['articleTypeDisplayName'] 16 print('文章类型:',article_type) 17 publication_date = d['publicationDate'] 18 print('出版日:',publication_date) 19 journal_name = d['sourceTitle'] 20 print('期刊:',journal_name) 21 title = d['title'] 22 print('标题:',title.replace("<em>",'').replace("</em>",'')) 23 doi = d['doi'] 24 print('doi号:',doi) 25 # 获取作者列表 26 authors = d['authors'] 27 author_lists = [] 28 for au in authors: 29 author_lists.append(au['name']) 30 print('作者:',author_lists) 31 url2 = d['pdf']['downloadLink'] 32 print('下载地址:') 33 print('https://www.sciencedirect.com'+str(url2)) 34 url3 = d['pdf']['getAccessLink'] 35 innerUrl = 'https://www.sciencedirect.com'+str(url3) 36 headers = { 37 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36 Edg/91.0.864.70' 38 } 39 html = requests.get(innerUrl,headers=headers) 40 soup = BeautifulSoup(html.text,'lxml') 41 data = soup.select('.abstract.author div p') 42 abstract = '' 43 for d in data: 44 abstract += d.text+'\n' 45 print('摘要:') 46 print(abstract) 47 print('----'*10) 48 time.sleep(random.randint(2,6))
最后是输入的结果,当然还可以写一个保存程序,将爬虫到的数据保存下来