ScienceDirect内容爬虫

2021-07-21 11:01:10 阅读：335 来源： 互联网

标签：ScienceDirect 爬虫 headers html 内容 3B% print sciencedirect com

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

标签：ScienceDirect,爬虫,headers,html,内容,3B%,print,sciencedirect,com
来源： https://www.cnblogs.com/righdflf/p/15038546.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

ScienceDirect内容爬虫