编程 6

主题文献爬虫,Python爬取知乎与我所理解的爬虫与反爬虫

最近在练习写爬虫的时候,正巧同学的女朋友有需求,大概是爬取知网内的几千个主题的数据,每一个主题的条数记录有几条的到几千条的不等,总来的来说也算是个上万数量级的爬虫了,分析了下知网,发现使用专业检索,可以完成我的目标,然后通过chrome的developer
tools大概分析了下了请求数据包,发现知网的查询是分成两步的,第一步是一个总的请求(查询的条件基本上都在第一步里面了),会返回一个串

知乎已经成为了爬虫的训练场,本文利用Python中的requests库,模拟登陆知乎,获取cookie,保存到本地,然后这个cookie作为登陆的凭证,登陆知乎的主页面,爬取知乎主页面上的问题和对应问题回答的摘要。

关于知乎验证码登陆的问题,用到了Python上一个重要的图片处理库PIL,如果不行,就把图片存到本地,手动输入。

原文发表在我的个人微信公众号上,欢迎关注: 

编程 1

爬取知乎的关键的部分:模拟登陆

通过对知乎登陆是的抓包,可以发现登陆知乎,需要post三个参数,一个是账号,一个是密码,一个是xrsf。
这个xrsf隐藏在表单里面,每次登陆的时候,应该是服务器随机产生一个字符串。所有,要模拟登陆的时候,必须要拿到xrsf。

用chrome (或者火狐 httpfox 抓包分析)的结果:

image.png

所以,必须要拿到xsrf的数值,注意这是一个动态变化的参数,每次都不一样。

image.png

注意findall和find_all函数的区别。

拿到xsrf,下面就可以模拟登陆了。
使用requests库的session对象,建立一个会话的好处是,可以把同一个用户的不同请求联系起来,直到会话结束都会自动处理cookies。

image.png

注意:cookies
是当前目录的一个文件,这个文件保存了知乎的cookie,如果是第一个登陆,那么当然是没有这个文件的,不能通过cookie文件来登陆。必须要输入密码。

def login(secret, account):
    # 通过输入的用户名判断是否是手机号
    if re.match(r"^1\d{10}$", account):
        print("手机号登录 \n")
        post_url = 'https://www.zhihu.com/login/phone_num'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'phone_num': account,
        }
    else:
        if "@" in account:
            print("邮箱登录 \n")
        else:
            print("你的账号输入有问题,请重新登录")
            return 0
        post_url = 'https://www.zhihu.com/login/email'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'email': account,
        }
    try:
        # 不需要验证码直接登录成功
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = login_page.text
        print(login_page.status_code)
        print(login_code)
    except:
        # 需要输入验证码后才能登录成功
        postdata["captcha"] = get_captcha()
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = eval(login_page.text)
        print(login_code['msg'])
    session.cookies.save()
try:
    input = raw_input
except:
    pass

这是登陆的函数,通过login函数来登陆,post 自己的账号,密码和xrsf
到知乎登陆认证的页面上去,然后得到cookie,将cookie保存到当前目录下的文件里面。下次登陆的时候,直接读取这个cookie文件。

#LWP-Cookies-2.0
Set-Cookie3: cap_id="\"YWJkNTkxYzhiMGYwNDU2OGI4NDUxN2FlNzBmY2NlMTY=|1487052577|4aacd7a27b11a852e637262bb251d79c6cf4c8dc\""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:37Z"; version=0
Set-Cookie3: l_cap_id="\"OGFmYTk3ZDA3YmJmNDQ4YThiNjFlZjU3NzQ5NjZjMTA=|1487052577|0f66a8f8d485bc85e500a121587780c7c8766faf\""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:37Z"; version=0
Set-Cookie3: login="\"NmYxMmU0NWJmN2JlNDY2NGFhYzZiYWIxMzE5ZTZiMzU=|1487052597|a57652ef6e0bbbc9c4df0a8a0a59b559d4e20456\""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:57Z"; version=0
Set-Cookie3: q_c1="ee29042649aa4f87969ed193acb6cb83|1487052577000|1487052577000"; path="/"; domain=".zhihu.com"; path_spec; expires="2020-02-14 06:09:37Z"; version=0
Set-Cookie3: z_c0="\"QUFCQTFCOGdBQUFYQUFBQVlRSlZUVFVzeWxoZzlNbTYtNkt0Qk1NV0JLUHZBV0N6NlNNQmZ3PT0=|1487052597|dcf272463c56dd6578d89e3ba543d46b44a22f68\""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:57Z"; httponly=None; version=0

这是cookie文件的内容

以下是源码:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import requests
try:
    import cookielib
except:
    import http.cookiejar as cookielib
import re
import time
import os.path
try:
    from PIL import Image
except:
    pass

from bs4 import BeautifulSoup


# 构造 Request headers
agent = 'Mozilla/5.0 (Windows NT 5.1; rv:33.0) Gecko/20100101 Firefox/33.0'
headers = {
    "Host": "www.zhihu.com",
    "Referer": "https://www.zhihu.com/",
    'User-Agent': agent
}

# 使用登录cookie信息
session = requests.session()
session.cookies = cookielib.LWPCookieJar(filename='cookies')
try:
    session.cookies.load(ignore_discard=True)
except:
    print("Cookie 未能加载")



def get_xsrf():
    '''_xsrf 是一个动态变化的参数'''
    index_url = 'https://www.zhihu.com'
    # 获取登录时需要用到的_xsrf
    index_page = session.get(index_url, headers=headers)
    html = index_page.text
    pattern = r'name="_xsrf" value="(.*?)"'
    # 这里的_xsrf 返回的是一个list
    _xsrf = re.findall(pattern, html)
    return _xsrf[0]





# 获取验证码
def get_captcha():
    t = str(int(time.time() * 1000))
    captcha_url = 'https://www.zhihu.com/captcha.gif?r=' + t + "&type=login"
    r = session.get(captcha_url, headers=headers)
    with open('captcha.jpg', 'wb') as f:
        f.write(r.content)
        f.close()
    # 用pillow 的 Image 显示验证码
    # 如果没有安装 pillow 到源代码所在的目录去找到验证码然后手动输入
    try:
        im = Image.open('captcha.jpg')
        im.show()
        im.close()
    except:
        print(u'请到 %s 目录找到captcha.jpg 手动输入' % os.path.abspath('captcha.jpg'))
    captcha = input("please input the captcha\n>")
    return captcha





def isLogin():
    # 通过查看用户个人信息来判断是否已经登录
    url = "https://www.zhihu.com/settings/profile"
    login_code = session.get(url, headers=headers, allow_redirects=False).status_code
    if login_code == 200:
        return True
    else:
        return False


def login(secret, account):
    # 通过输入的用户名判断是否是手机号
    if re.match(r"^1\d{10}$", account):
        print("手机号登录 \n")
        post_url = 'https://www.zhihu.com/login/phone_num'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'phone_num': account,
        }
    else:
        if "@" in account:
            print("邮箱登录 \n")
        else:
            print("你的账号输入有问题,请重新登录")
            return 0
        post_url = 'https://www.zhihu.com/login/email'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'email': account,
        }
    try:
        # 不需要验证码直接登录成功
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = login_page.text
        print(login_page.status_code)
        print(login_code)
    except:
        # 需要输入验证码后才能登录成功
        postdata["captcha"] = get_captcha()
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = eval(login_page.text)
        print(login_code['msg'])
    session.cookies.save()
try:
    input = raw_input
except:
    pass



## 將main的問題列表輸出在shell上面
def  getPageQuestion(url2):  
  mainpage = session.get(url2, headers=headers)
  soup=BeautifulSoup(mainpage.text,'html.parser')
  tags=soup.find_all("a",class_="question_link")
  #print tags

  for tag in tags:
    print tag.string

# 將main頁面上面的問題的回答的摘要輸出在shell上面
def getPageAnswerAbstract(url2):
    mainpage=session.get(url2,headers=headers)
    soup=BeautifulSoup(mainpage.text,'html.parser')
    tags=soup.find_all('div',class_='zh-summary summary clearfix')

    for tag in tags:
       # print tag
        print tag.get_text()
        print '詳細內容的鏈接 : ',tag.find('a').get('href')


def getPageALL(url2):
    #mainpage=session.get(url2,headers=headers)
    #soup=BeautifulSoup(mainpage.text,'html.parser')
    #tags=soup.find_all('div',class_='feed-item-inner')
    #print "def getpageall "
    mainpage=session.get(url2,headers=headers)
    soup=BeautifulSoup(mainpage.text,'html.parser')
    tags=soup.find_all('div',class_='feed-content')
    for tag in tags:
        #print tag
        print tag.find('a',class_='question_link').get_text()
        # 這裏有一點問題 bs 還是用的不是太熟練
        #print tag.find('a',class_='zh-summary summary clearfix').get_text()
        #print tag.find('div',class_='zh-summary summary clearfix').get_text()


if __name__ == '__main__':
    if isLogin():
        print('您已经登录')
        url2='https://www.zhihu.com'
        # getPageQuestion(url2)
        #getPageAnswerAbstract(url2)
        getPageALL(url2)
    else:
        account = input('请输入你的用户名\n>  ')
        secret = input("请输入你的密码\n>  ")
        login(secret, account)

运行结果:

image.png

编程 2

然后才能做第二步的数据请求(下方的截图对应网页上的不同区域的请求报文头和返回数据)

git链接:

https://github.com/zhaozhengcoder/Spider/tree/master/spider\_zhihu

本文介绍使用Python爬虫技术快速获取知网1000多篇某个主题的文章的题目,作者,作者单位,引用次数,下载次数,发表刊物,发表时间,以及文章摘要。

编程 3

PPS:我所理解的爬虫与反爬虫策略

反爬虫最基本的策略:

  1. 检查浏览器http请求里面的user-agent字段
  2. 检查http请求的referer(即当前的这个页面是从哪个页面跳转过来的)

爬虫策略:
这两个都是在http协议的报文段的检查,同样爬虫端可以很方便的设置这些字段的值,来欺骗服务器。

反爬虫进阶策略:
1.像知乎一样,在登录的表单里面放入一个隐藏字段,里面会有一个随机数,每次都不一样,这样除非你的爬虫脚本能够解析这个随机数,否则下次爬的时候就不行了。
2.记录访问的ip,统计访问次数,如果次数太高,可以认为这个ip有问题。

爬虫进阶策略:
1.像这篇文章提到的,爬虫也可以先解析一下隐藏字段的值,然后再进行模拟登录。
2.爬虫可以使用ip代理池的方式,来避免被发现。同时,也可以爬一会休息一会的方式来降低频率。另外,服务器根据ip访问次数来进行反爬,再ipv6没有全面普及的时代,这个策略会很容易造成误伤。(这个是我个人的理解)。

反爬虫进进阶策略:
1.数据投毒,服务器在自己的页面上放置很多隐藏的url,这些url存在于html文件文件里面,但是通过css或者js使他们不会被显示在用户看到的页面上面。(确保用户点击不到)。那么,爬虫在爬取网页的时候,很用可能取访问这个url,服务器可以100%的认为这是爬虫干的,然后可以返回给他一些错误的数据,或者是拒绝响应。

爬虫进进阶策略:
1.各个网站虽然需要反爬虫,但是不能够把百度,谷歌这样的搜索引擎的爬虫给干了(干了的话,你的网站在百度都说搜不到!)。这样爬虫应该就可以冒充是百度的爬虫去爬。(但是ip也许可能被识破,因为你的ip并不是百度的ip)

反爬虫进进进阶策略:
给个验证码,让你输入以后才能登录,登录之后,才能访问。

爬虫进进进阶策略:
图像识别,机器学习,识别验证码。不过这个应该比较难,或者说成本比较高。

参考资料:
廖雪峰的python教程
静觅的python教程
requests库官方文档
segmentfault上面有一个人的关于知乎爬虫的博客,找不到链接了

学习爬虫开始,我就想着对CNKI主题文献进行爬虫,对感兴趣的主题文章进行抓取,获取相关文章的基本信息和摘要,方便快速了解某一个领域的研究进程,重点等等。

                                                                     
 图一.查询记录请求报文头

经过不断的修改,终于完成此目的。

编程 4

在此爬虫程序编写过程,需要注意几个问题。

                                                                       
图二. 对应不同年份的记录条数返回结果

1. 选择合适的网站入口;

至于为什么要分成两步,每一个区域对应一个不同的请求,这些都是网站本身的设计,我也没做过web开发,这么做有哪些优点我确实不清楚/擦汗,我的重点就是模拟它在网页上的请求,实现批量化的数据获取。

一般我们进入知网是,www.cnki.net,我发现对此网站进行爬取,难以获取完整的网站源码,最后发现
能得到完整源码。

 

编程 5

然后,大概就摸清楚了这一个数据获取的过程,我的思路是先完成一个数量级的数据获取,也就是爬取一条,然后再去扩展,加线程,加ip代理,加user_agent等等。

2. 分析网站URL:

在这个阶段,重要的思路就是基本上要和在网页上的访问保持一致,保证自己拼的url和在网页上访问的时候是一致的,当然是在保证能访问的前提下,能略去的就略去。

将图中的URL复制出来,得到下面的URL:
urllib.unquote() 解码。

分析它原本的请求url的时候,使用url转码工具可以将转码以后的url还原,更直白地分析。

分析解码后的URL:
;通过选择不同的排序,不同的搜索关键词,以及不同的文献类型,可以确定
“q=”字段控制搜索的关键词,”rank=” 控制排序方式,“p=” 字段控制了翻页,
并且步长为15。
最终确定搜索URL为:url=’

然后提几个细节吧,知网的请求url上,有一些数据段一开始是不明白它的意义的,但是自己去拼接访问的时候发现,缺了网站就会报错,这时候就可以多尝试几个不同的访问,去拿它的请求heads,然后互相对比,就会发现有的字段是固定不变的,这种就可以直接照搬,有的呢,是变化的,这种就需要仔细去分析到底是什么数据,有什么意义,知网的就包括一个毫秒数,这个我一开始就没懂具体意义,后来分析了下感觉像时间,然后去取了下当前的毫秒时间,一对比发现大概是差不多,就当前的毫秒时间拼在了url串上面。

3. 转码问题:

def getMilliTim():
    t = time.time()
    nowTime = t*1000
    return int(nowTime)

在爬取网页过程中,发现得到的网页源码打印出来后,是乱码,最终发现是因为网页源码的编码方式并不是UTF-8,因此,为了得到可以用于解析的的网页源码,需要对网页源码进行转码,首先从原始编码方式转化为通用型的Unicode,然后再转码为:UTF-8,
转码方式:

如果你需要一个良好的学习交流环境,那么你可以考虑Python学习交流群:548377875;
如果你需要一份系统的学习资料,那么你可以考虑Python学习交流群:548377875。

f=requests.get(test,headers=headers)                   #  获得网页源码

总而言之,就是对于不怎么懂web的爬虫小白,最好就是还原网站原本的请求,这样基本上请求数据就不会有太大问题了。

ftext=f.text.encode(f.encoding).decode(‘utf-8’)     # 
转码成可以分析的编码

在完成了数量级为一的级别后,就开始准备大范围地获取数据了,这时候就要思考效率以及防止网站踢人了。

4. 代理IP问题:

在遭遇了各种socket 10054
10061等错误,通过百度各种技巧,加上了ip代理等一些措施,最终我还是完成本次任务,当然最后还是加上了文件读取,任务队列等模块,大概就是一个线程专门负责输出文件,其它四个线程去任务池里面取任务爬数据,详细略过,见代码。有纰漏之处,还请斧正。

在爬虫过程中,爬取少量网页和爬取大量网页存在较大区别。爬取较少网页是,被爬的服务器不会拒绝,当访问过多,就可能造成拒绝访问,被屏蔽IP的问题。这个时候就需要使用代理IP去访问。
代理IP实现“瞒天过海”之计,让被访问的服务器显示的IP地址是爬虫程序设定的IP,而非计算机真实的IP地址,就算发现是爬虫程序,被屏蔽的IP是代理IP,而非真实的计算机IP地址。

对CNKI网站进行爬虫时,发现当爬取450篇信息后,IP
就会被屏蔽,需要填写验证码,导致无法连续爬取,因此需要设置代理IP。 
代理IP地址可以去一些网站去爬取,本程序使用了:

5. 分功能设置函数:

为了使得代码逻辑清晰,可以分不同的目的设置不同的函数。注意各个函数之间的参数传递,容易出错。

6. 网站源码自身的不规则:

在测试程序过程中,大部分文章爬取成功,但是,存在小部分文章爬取失败,按照道理,编码一样话,那应该同时成功,同时失败。选择爬取“成功”和“失败”两篇文章的网页源码,发现存在不一致,需要通过技术处理,得到一致结果:

例如:if len(ftext_r.xpath(‘//ul[@class=”break”]/li/text()’))==3:

ws.cell(row=num+1,
column=6).value=ftext_r.xpath(‘//ul[@class=”break”]/li[2]/text()’)[0]

ws.cell(row=num+1,
column=7).value=ftext_r.xpath(‘//ul[@class=”break”]/li[3]/text()’)[0]

if len(ftext_r.xpath(‘//ul[@class=”break”]/li/text()’))==4:

ws.cell(row=num+1,
column=6).value=ftext_r.xpath(‘//ul[@class=”break”]/li[3]/text()’)[0]

ws.cell(row=num+1,
column=7).value=ftext_r.xpath(‘//ul[@class=”break”]/li[4]/text()’)[0]

这里 ul 标签 class属性为 break 下 可能存在4 li 标签, 也能是3个
li标签,所有通过判断语句,然后分别处理获取需要的信息。

7. 关键点设置提示信息:

在爬取较多网页时,难保证不出问题,需要不断改进程序的适应度,但是,若果出现问题,逐一网页排查问题的工作量太大。可以在每页爬取的时候提醒是否爬取成功。

通过这些提示信息,就可以方便的定位到某个出问题的网页,方便排查。

# —————————————

完整Python爬虫代码

#(代码补充说明:标注“参数设置”后面的代码中可以通过简单修改,就可以爬取不同主题,不同页数,使用不同的代理IP

*—————————————

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

“””

Created on Thu Nov  9 21:37:30 2017

@author: liu kuanbin

“””

#-加载将会使用到的函数库

import requests                                   # 读取网页

from lxml import etree                         # 用于解析网页

from openpyxl import Workbook         # 创建表格并用于数据写入

from bs4 import BeautifulSoup            # 解析网页

import random                                      # 随机选择代理Ip

#–获得代理IP列表

def get_ip_list(urlip,headers2):

web_data = requests.get(urlip,headers=headers2)

soup = BeautifulSoup(web_data.text, ‘lxml’)

ips = soup.find_all(‘tr’)

ip_list = []

for k in range(1, len(ips)):

ip_info = ips[k]

tds = ip_info.find_all(‘td’)

ip_list.append(tds[1].text + ‘:’ + tds[2].text)

return ip_list

#-从代理IP列表里面随机选择一个

def get_random_ip(ip_list):

proxy_编程,list = []

for ip in ip_list:

proxy_list.append(‘http://’ + ip)

proxy_ip = random.choice(proxy_list)

proxies = {‘http’: proxy_ip}

return proxies

#-定义获取文章列表对应的链接的函数

def get_data(urllist,headers,proxies):

j=0    # 初始化j的取值

for urli in urllist:

try:

j=j+1

num=15*(i-pagestart)+j    # 第多少篇

test=str(urli)

# 是否使用代理去爬虫就在下面这一行代码中,是否添加: proxies=proxies

f=requests.get(test,headers=headers)          #  设置Headers项;
这里添加是否使用代理去访问:

ftext=f.text.encode(f.encoding).decode(‘utf-8’)    #
对具体进行转码,获得可以正常读取的文档;

ftext_r=etree.HTML(ftext)                                     #
对具体页进行 xpath 解析;

ws.cell(row=num+1, column=1).value=’第’+str(num)+’篇文章信息’

ws.cell(row=num+1,
column=2).value=str(ftext_r.xpath(‘//title/text()’)[0]).replace(‘ –
中国学术期刊网络出版总库’,”)   # 获得文章标题

ws.cell(row=num+1,
column=3).value=str(ftext_r.xpath(‘//div[@class=”author
summaryRight”]/p[1]/a/text()’))         # 获得作者名字

#—————————

if len(ftext_r.xpath(‘//ul[@class=”break”]/li/text()’))==3:

ws.cell(row=num+1,
column=6).value=ftext_r.xpath(‘//ul[@class=”break”]/li[2]/text()’)[0]

ws.cell(row=num+1,
column=7).value=ftext_r.xpath(‘//ul[@class=”break”]/li[3]/text()’)[0]

if len(ftext_r.xpath(‘//ul[@class=”break”]/li/text()’))==4:

ws.cell(row=num+1,
column=6).value=ftext_r.xpath(‘//ul[@class=”break”]/li[3]/text()’)[0]

ws.cell(row=num+1,
column=7).value=ftext_r.xpath(‘//ul[@class=”break”]/li[4]/text()’)[0]

if len(str(ftext_r.xpath(‘//div[@class=”author
summaryRight”]/p[2]/a/text()’)))==2:

ws.cell(row=num+1,
column=4).value=str(ftext_r.xpath(‘//div[@class=”author
summaryRight”]/p[3]/a/text()’))# 获得作者单位

else:

ws.cell(row=num+1,
column=4).value=str(ftext_r.xpath(‘//div[@class=”author
summaryRight”]/p[2]/a/text()’))

# str(ftext_r.xpath(‘//div[@class=”author
summaryRight”]/p[2]/a/text()’))

ws.cell(row=num+1,
column=5).value=ftext_r.xpath(‘//div[@id=”weibo”]/input/@value’)[0]#
第一作者及所属刊物及时间

ws.cell(row=num+1,
column=8).value=str(ftext_r.xpath(‘//span[@id=”ChDivKeyWord”]/a/text()’))#
文章关键词

ws.cell(row=num+1,
column=9).value=ftext_r.xpath(‘//span[@id=”ChDivSummary”]/text()’)[0]#
获得文章摘要

print(‘爬虫’+str(15*(pageend-pagestart+1))+’篇文章信息的第’+str(num)+’篇爬取成功!!’)

except:

print(‘爬虫第’+str(i)+’页中的第’+str(j)+’篇爬虫失败’)

#—创建表格,待接收数据信息—#

wb = Workbook()    # 在内存中创建一个workbook对象,而且会至少创建一个
worksheet

ws = wb.active       #  获取当前活跃的worksheet,默认就是第一个worksheet

ws.cell(row=1, column=1).value =”No”

ws.cell(row=1, column=2).value =”Title”

ws.cell(row=1, column=3).value =”Author”

ws.cell(row=1, column=4).value =”Institute”

ws.cell(row=1, column=5).value =”Journal”

ws.cell(row=1, column=6).value =”Cites”

ws.cell(row=1, column=7).value =”Download”

ws.cell(row=1, column=8).value =”Keywords”

ws.cell(row=1, column=9).value =”Abstart”

#—————参数设置

if __name__==’__main__’:

pagestart=1

pageend=90

keywords=’精准扶贫’  ### 查询的主题

url=”

urlip = ”         # 提供代理IP的网站

headers={

‘Referer’:”,

‘User-Agent’:’Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_0)
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100
Safari/537.36′,

‘Cookie’:’cnkiUserKey=158f5312-0f9a-cc6a-80c1-30bc5346c174;
Ecp_ClientId=4171108204203358441;
UM_distinctid=15fa39ba58f5d2-0bbc0ba0169156-31637c01-13c680-15fa39ba5905f1;
SID_search=201087; ASP.NET_SessionId=glrrdk550e5gw0fsyobrsr45;
CNZZDATA2643871=cnzz_eid%3D610954823-1510276064-null%26ntime%3D1510290496;
CNZZDATA3636877=cnzz_eid%3D353975078-1510275934-null%26ntime%3D1510290549;
SID_sug=111055;
LID=WEEvREcwSlJHSldRa1FhcTdWZDhML1NwVjBUZzZHeXREdU5mcG40MVM4WT0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!’,

}

headers2={

‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64)
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143
Safari/537.36’

}

#——————————————

for i in range(pagestart,pageend+1):

try:

## 得到一个代理 IP

ip_list = get_ip_list(urlip,headers2)        # 获得代理IP列表

proxies = get_random_ip(ip_list)            # 获得随机的一个代理IP

# 获得每一页里面文章的 urllist

url_all=url+str(15*(i-1))

#获得每一页的文章具体文章信息页面的链接

response=requests.get(url_all,headers=headers)        # 获得网页源码 
 ,proxies=proxies

# print(utf16_response.decode(‘utf-16’))

file=response.text.encode(response.encoding).decode(‘utf-8’)  #
对网页信息进行转化成为可以正常现实的 UTF-8格式

r=etree.HTML(file)                                            #
获取网页信息,并且解析 使用xpath

urllist=r.xpath(‘//div[@class=”wz_content”]/h3/a[1]/@href’)   #
获得当前页所有文章的进入链接

# 获得每页urllist的文章信息,并且存到构建的表格中

get_data(urllist,headers,proxies)

except:

print(‘第’+str(i)+’页在爬取时候发生错误’)

wb.save(‘知网文章信息汇总.xlsx’)     # 最后保存搜集到的数据

最终爬取到的数据:

编程 6

通过得到的数据资料,可以用于接卸来的分析,研究“精准扶贫”此类主题文献的各种信息。例如:
那些单位发表的论文最多,
通过词云图可以看出此类文章主要的研究方向等等,可以用于各种有意思的分析。