python爬取Web of science论文信息
封印师请假去地球钓鱼 2024-07-03 14:03:02 阅读 60
一、python爬取WOS总体思路
(一)拟实现功能描述
wos里面，爬取论文的名称，作者名称，作者单位，引用数量
要求：英文论文、期刊无论好坏
检索关键词：zhejiang academy of agricultural sciences、 xianghu lab
(二)操作思路介绍
在Python中，有多种思路可以用来爬取Web of Science（WOS）上的信息。以下是其中几种常见的思路：
使用HTTP请求库和HTML解析库：这是最常见的爬取网页数据的方法之一。你可以使用Python的 <code>requests 库发送HTTP请求获取网页内容，然后使用 BeautifulSoup 或其他HTML解析库对网页进行解析和提取所需的信息。
使用API：有些网站提供API接口，允许开发者通过API直接获取数据。如果WoS提供API，你可以通过调用API进行数据获取，通常这种方式更加稳定和高效。
使用自动化工具：有些情况下，使用传统的HTTP请求和HTML解析方式难以实现数据的完整爬取，例如需要登录或执行JavaScript等情况。此时，你可以使用自动化工具，如 Selenium，来模拟用户操作浏览器，实现完整的页面渲染和数据提取。
无论选择哪种思路，都需要先了解目标网站的页面结构和数据提取的逻辑。可以通过分析网页源代码、使用浏览器开发者工具等方式来理解网页的结构和数据的位置。
(三)操作步骤分解
以操作思路三为例，在WOS上爬取英文论文的名称、作者名称、作者单位和引用数量，以满足给定的检索关键词（zhejiang academy of agricultural sciences和xianghu lab）的操作步骤：
确定使用的爬虫库：可以使用Python的Selenium库进行网页自动化操作，实现模拟浏览器操作的效果。
安装必要的依赖库：需要安装Selenium库，以及用来管理Chrome浏览器驱动的webdriver-manager库。可以使用pip命令安装相关依赖库。
导入必要的模块：需要导入Selenium库的Webdriver和Service类，webdriver_manager库的ChromeDriverManager类，以及time库，用于实现等待页面元素加载的效果。
设置Chrome浏览器驱动并启动浏览器：通过创建ChromeDriverManager实例来管理Chrome浏览器驱动，并使用webdriver的Chrome类来启动浏览器。
打开Web of Science网站：使用driver.get()方法打开Web of Science网站，并使用time库实现等待页面加载，确保可以正常爬取相关信息。
在搜索框中输入关键词并进行搜索：使用find_element()方法找到搜索框的元素，并使用send_keys()方法输入需要搜索的关键词。然后，使用find_element()方法找到搜索按钮的元素，并使用click()方法点击搜索按钮，实现对关键词的检索。
切换到结果列表视图：使用find_element()方法找到结果列表视图下拉框的元素，并使用click()方法切换到结果列表视图。使用time库实现等待视图切换，确保可以正常爬取相关信息。
循环遍历每个检索结果，提取所需信息：使用find_elements()方法找到每个检索结果的元素列表，循环遍历列表中每一个元素，使用find_element()方法分别找到论文名称、作者名称、作者单位和引用数量的元素，并使用text属性来获取对应的文本信息。（整理格式成我们所需要的样子）
关闭浏览器：使用quit()方法关闭浏览器，释放相关系统资源。
备注：在实际操作中，需要注意遵守相关法律法规和网站的规定，以确保合规的操作。
二、python爬取实战步骤
（一）导入必要的库
import requests
from bs4 import BeautifulSoup
import csv
import time,random
（二）存储和处理从HTML页面中提取的数据。
class HtmlData:
def __init__(self, soup):
self.title = '' # 存储文章标题
self.author = '' # 存储文章作者
self.abstract = '' # 存储文章摘要
self.keywords = '' # 存储文章关键词
self.author_data = '' # 存储作者信息
self.author_unit = '' # 存储作者单位
self.citation_count = '' # 存储引用数量
self.data = '' # 存储数据信息
self.soup = soup # 存储BeautifulSoup对象
# 第二步，HtmlData类的构造函数初始化了存储文章标题、作者、摘要、关键
# 词等信息的实例变量，并通过BeautifulSoup解析HTML文本提取这些信息。
print(soup.prettify())
self.title = soup.title.text
# self.title = soup.find(attrs={'class':'title'}).text.replace('\n','') # 提取文章标题
try:
self.data = soup.find(attrs={'class':'block-record-info block-record-info-source'}).text # 提取数据信息
except:
pass
items = soup.find_all(attrs={'class':'block-record-info'}) # 提取所有block-record-info元素
for item in items:
if len(item.attrs['class']) > 1:
continue
if 'By:' in item.text: # 提取作者信息和作者单位
author_info = item.text.replace('By:', '').replace('\n', '').replace(' ', '').replace(' ]', ']')
author_info_parts = author_info.split(',')
if len(author_info_parts) > 1:
self.author = author_info_parts[0].strip()
self.author_unit = author_info_parts[1].strip()
else:
self.author = author_info_parts[0].strip()
elif 'Times Cited:' in item.text: # 提取引用数量
self.citation_count = item.text.replace('Times Cited:', '').strip()
elif 'Abstract' in item.text: # 提取摘要信息
self.abstract = item.text
continue
elif 'Keywords' in item.text: # 提取关键词信息
self.keywords = item.text
continue
elif 'Author Information' in item.text: # 提取作者信息
self.author_data = item.text
continue
（三）提取html文本并保存到csv文件
scrape_data函数接收一个URL作为参数，发送HTTP请求获取页面内容，使用BeautifulSoup解析HTML文本，创建HtmlData对象提取数据，并将数据写入CSV文件。
def scrape_data(url):
headers = {
'User-Agent': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/118.0.0.0 Safari/537.36",
}
response = requests.get(url, headers=headers) # 发送HTTP请求获取页面内容
if response.status_code == 200: # 检查请求的状态码是否为200（成功）
html = response.text # 获取响应的HTML文本
soup = BeautifulSoup(html, 'lxml') # 使用BeautifulSoup解析HTML文本
html_data = HtmlData(soup) # 创建HtmlData对象进行数据提取和存储
# 获取对象信息
title = html_data.title # 获取标题
authors = html_data.author # 获取作者
author_unit = html_data.author_unit # 获取作者单位
citation_count = html_data.citation_count # 获取引用数量
abstract = html_data.abstract # 获取摘要
keywords = html_data.keywords # 获取关键词
# 存储数据到csv
csv_data = [title, authors, author_unit, citation_count, abstract, keywords, url]
# 构建CSV行数据
print(csv_data)
with open('1.csv', encoding='utf-8', mode='a', newline='') as f:code>
csv_writer = csv.writer(f) # 创建CSV写入器
csv_writer.writerow(csv_data) # 将数据写入CSV文件
（四）生成url列表，开始爬虫
第四步，main函数生成URL列表，遍历URL列表调用scrape_data函数进行数据爬取和处理。
def main():
url_list = []
search_keywords = 'zhejiang academy of agricultural sciences'#xianghu lab
for i in range(1, 3218): # 构建URL列表
url = f"http://apps.webofknowledge.com/full_record.do?product=UA&search_mode=GeneralSearch&qid=1&SID=5BrNKATZTPhVzgHulpJ&page=1&doc={i}&cacheurlFromRightClick=no"
url += f"&field=Author&value={search_keywords}"
url_list.append(url)
time.sleep(1+random.random())
# print(url_list)
for url in url_list:
scrape_data(url) # 遍历URL列表，爬取并处理数据
if __name__ == '__main__':
main()
（1） 备注：根据搜索完成页面进行爬取。
# 定义一个函数来获取单个页面的数据。这个函数将接受一个URL作为参数，
# 并返回一个包含论文名称、作者名称、作者单位和引用数量的字典列表。
def get_page_data(url):
headers = {
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.5112.79 Safari/537.36'
}
response = requests.get(url, headers=headers)
soup = BeautifulSoup(response.text, 'html.parser')
# Find the target elements based on their HTML tags and attributes
# The actual tags and attributes might need to be adjusted based on the website's structure
papers = soup.find_all('div', attrs={'class': 'paper'})
data = []
for paper in papers:
name = paper.find('div', attrs={'class': 'name'}).text
author = paper.find('div', attrs={'class': 'author'}).text
affiliation = paper.find('div', attrs={'class': 'affiliation'}).text
citations = paper.find('div', attrs={'class': 'citations'}).text
data.append({
'name': name,
'author': author,
'affiliation': affiliation,
'citations': citations
})
return data
# 定义一个函数来获取多个页面的数据。这个函数将接受一个基础URL和页面数量作为参数，
# 并返回一个包含所有页面数据的字典列表。
def get_multiple_pages(base_url, num_pages):
all_data = []
for i in range(1, num_pages+1):
url = base_url + str(i)
all_data.extend(get_page_data(url))
time.sleep(1) # Add a delay between requests to avoid overloading the server
return all_data
（五）总体代码
# 导入必要的库
import requests
from bs4 import BeautifulSoup
import csv
import time,random
# 第一步，定义HtmlData类，用于存储和处理从HTML页面中提取的数据。
class HtmlData:
def __init__(self, soup):
self.title = '' # 存储文章标题
self.author = '' # 存储文章作者
self.abstract = '' # 存储文章摘要
self.keywords = '' # 存储文章关键词
self.author_data = '' # 存储作者信息
self.author_unit = '' # 存储作者单位
self.citation_count = '' # 存储引用数量
self.data = '' # 存储数据信息
self.soup = soup # 存储BeautifulSoup对象
# 第二步，HtmlData类的构造函数初始化了存储文章标题、作者、摘要、关键
# 词等信息的实例变量，并通过BeautifulSoup解析HTML文本提取这些信息。
print(soup.prettify())
self.title = soup.title.text
# self.title = soup.find(attrs={'class':'title'}).text.replace('\n','') # 提取文章标题
try:
self.data = soup.find(attrs={'class':'block-record-info block-record-info-source'}).text # 提取数据信息
except:
pass
items = soup.find_all(attrs={'class':'block-record-info'}) # 提取所有block-record-info元素
for item in items:
if len(item.attrs['class']) > 1:
continue
if 'By:' in item.text: # 提取作者信息和作者单位
author_info = item.text.replace('By:', '').replace('\n', '').replace(' ', '').replace(' ]', ']')
author_info_parts = author_info.split(',')
if len(author_info_parts) > 1:
self.author = author_info_parts[0].strip()
self.author_unit = author_info_parts[1].strip()
else:
self.author = author_info_parts[0].strip()
elif 'Times Cited:' in item.text: # 提取引用数量
self.citation_count = item.text.replace('Times Cited:', '').strip()
elif 'Abstract' in item.text: # 提取摘要信息
self.abstract = item.text
continue
elif 'Keywords' in item.text: # 提取关键词信息
self.keywords = item.text
continue
elif 'Author Information' in item.text: # 提取作者信息
self.author_data = item.text
continue
# 第三步，scrape_data函数接收一个URL作为参数，发送HTTP请求获取页面内容，使用BeautifulSoup解析HTML文本，创建HtmlData对象提取数据，并将数据写入CSV文件。
def scrape_data(url):
headers = {
'User-Agent': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/118.0.0.0 Safari/537.36",
}
response = requests.get(url, headers=headers) # 发送HTTP请求获取页面内容
if response.status_code == 200: # 检查请求的状态码是否为200（成功）
html = response.text # 获取响应的HTML文本
soup = BeautifulSoup(html, 'lxml') # 使用BeautifulSoup解析HTML文本
html_data = HtmlData(soup) # 创建HtmlData对象进行数据提取和存储
# 获取对象信息
title = html_data.title # 获取标题
authors = html_data.author # 获取作者
author_unit = html_data.author_unit # 获取作者单位
citation_count = html_data.citation_count # 获取引用数量
abstract = html_data.abstract # 获取摘要
keywords = html_data.keywords # 获取关键词
# 存储数据到csv
csv_data = [title, authors, author_unit, citation_count, abstract, keywords, url] # 构建CSV行数据
print(csv_data)
with open('1.csv', encoding='utf-8', mode='a', newline='') as f:code>
csv_writer = csv.writer(f) # 创建CSV写入器
csv_writer.writerow(csv_data) # 将数据写入CSV文件
# 第四步，main函数生成URL列表，遍历URL列表调用scrape_data函数进行数据爬取和处理。
def main():
url_list = []
search_keywords = 'zhejiang academy of agricultural sciences'#xianghu lab
for i in range(1, 3218): # 构建URL列表
url = f"http://apps.webofknowledge.com/full_record.do?product=UA&search_mode=GeneralSearch&qid=1&SID=5BrNKATZTPhVzgHulpJ&page=1&doc={i}&cacheurlFromRightClick=no"
url += f"&field=Author&value={search_keywords}"
url_list.append(url)
time.sleep(1+random.random())
# print(url_list)
for url in url_list:
scrape_data(url) # 遍历URL列表，爬取并处理数据
if __name__ == '__main__':
main()
三、python爬取过程中可能遇到的问题及解决方案
(一)代码运行问题排除
Q1：ModuleNotFoundError: No module named 'webdriver_manager'
参考：使用ChromeDriverManager自动更新Chromedriver_Richard.sysout的博客-CSDN博客
解决方案：（1）安装的代码除了问题，输入的是：pip install webdrivermanager，应在控制台中输入以下内容：
pip install webdriver_manager
（2）安装版本不对。
这里是selenium3.x的用法
from selenium import webdriver
from webdriver_manager.chrome import ChromeDriverManager
#安装并返回安装成功的path
driver_path=ChromeDriverManager().install()
#使用对应path下的driver驱动Chrome
driver = webdriver.Chrome(executable_path=driver_path)
当然如果使用的是selenium4.x:
# selenium 4
from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from webdriver_manager.chrome import ChromeDriverManager
driver = webdriver.Chrome(service=Service(ChromeDriverManager().install()))
通过它的源码，我们可以得知，基本的逻辑是将Chromedriver安装在某个目录下，将driver的目录返回给我们，创建对象的时候，将path 作为参数传入。
Q2：用soup.find()时出现错误AttributeError NoneType object has no attribute？
参考：AttributeError NoneType object has no attribute_soup.find 未找着-CSDN博客
原因及分析：我使用的soup.find()没有找到这个class为"ArticlePicBox Aid43 "的div中有空格。
Q3:如何更改浏览器内开发工具的位置？
解决办法：
1.打开浏览器，点击F12，打开开发工具；
2.点击开发工具右上角的三个竖点；
3.出现若干个选项如图所示，可选择适合自己的排版（左右下或新增页）；
Q4:如何获取一个网页的User-Agent？
（二）相关知识补充
爬虫项目处理的一般步骤：1.找数据所在的地址(ur)是哪个? (网页性质分析<静态网页/动态网页>)<你要的/你不需要的》2.通过代码发送地址的请求(文本数据\js数据\css<祥式层叠表，数据\围片\...)3.数据的解析，解析你要的数据(正则表达式\css选择器 \xpath节点提取)4.数据保存(本地，数据库)。
(1)页面解析
# 据解析步聚# 1.转换数据类型（selector = parsel.Selector(html) # html字符串--> 对象# print(selector)# 2.css提取数据（# p = selector.css('p').get()）。解析网页有三种方法：Xpath和正则表达式（re）及BeautifulSoup。
1）css选择器
2）Xpath
XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的
3）正则表达式（re）
可参考引用4。
(2)HTML元素
备注：html解析工具：HTML格式化 、HTML压缩- 站长工具 (sojson.com)
(3)多页面爬取url
典型的两段式爬取，每个页面有20篇文件，一共38页，分析页面url发现规律之后，只需要改变page={i}，通过i的变化获取总url。在网页源代码中发现每篇文件单独的url都可以获取，任务相对比较简单。编写代码获取每篇文件的url，之后提取文字内容即可。
可参照参考三，其介绍的两类囊括了大部分提取方式。
(4)使用xpath、bs以及正则表达式获取页面url
<code># 导入必要的库
import requests
from bs4 import BeautifulSoup
import csv
import time,random
from lxml import html
import re
url_list = []# 存储所有url的列表
# 页面url
base_url = 'https://webofscience.clarivate.cn/wos/woscc/summary/c23b8bbe-f8ca-4d1c-b3a6-0c05ee883fbd-b0d498e1/relevance/'
# 遍历所有页面
# 构造当前页面的url
url = base_url + str(1)
# 发送GET请求，获取页面内容
headers = {
'User-Agent': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/118.0.0.0 Safari/537.36",
}
response = requests.get(url, headers=headers)
time.sleep(2)
# (1)使用xpath
# 使用正则表达式匹配页面内容中的链接
pattern = r'<a class="title title-link font-size-18 ng-star-inserted" href="(.+?)">'code>
links = re.findall(pattern, response.text)
for link in links:
# 处理相对路径并打印链接
full_url = f'https://webofscience.clarivate.cn{link}'
url_list.append(full_url)
time.sleep(1 + random.random())
# (2)使用正则表达式
# # 使用lxml库解析页面内容
# tree = html.fromstring(response.content)
# # 查找所有<a>标签，提取url并存储到列表中
# links = tree.xpath('//a[@class="title title-link font-size-18 ng-star-inserted"]/@href')code>
# for link in links:
# # 处理相对路径并打印链接
# full_url = f'https://webofscience.clarivate.cn{link}'
# url_list.append(full_url)
# time.sleep(1+random.random())
# （3）使用bs解析
# soup = BeautifulSoup(response.text, 'html.parser')
# # 查找所有<a>标签，提取url并存储到列表中
# link_elements = soup.find_all('a', class_='title title-link font-size-18 ng-star-inserted', href=True)##提取不出标签为a的url链接code>
# for link_element in link_elements:
# # 处理相对路径并打印链接
# href = link_element['href']
# full_url = f'https://webofscience.clarivate.cn{href}'
# url_list.append(full_url)
# time.sleep(1+random.random())
四、参考引用
[1]Web of science文章信息爬取_爬取web of science数据
[2]User-Agent||如何获取一个网页的User-Agent？-CSDN博客
[3]Python爬虫——爬取网站多页数据_爬虫多页爬取-CSDN博客
[4]Xpath和正则表达式及BeautifulSoup的比较-CSDN博客
声明
本文内容仅代表作者观点，或转载于其他网站，本站不以此文作为商业用途
如有涉及侵权，请联系本站进行删除
转载本站原创文章，请注明来源及作者。