抓取知网摘要、搜狗微信文章、搜狗新闻的爬虫
个人项目,代码已上传至我的github。
只支持python3.
需要说明的是,本文中介绍的都是小规模数据的爬虫(数据量<1G),大规模爬取需要会更复杂,本文不涉及这一块。另外,代码细节就不过多说了,只将一个大概思路以及趟过的坑。
搜狗微信文章抓取
- 目标:在搜狗微信模块下搜索关键词的文章,抓取链接保存文章标题,来源,时间,内容的内容
- 采取的策略:selenium模拟搜索,登陆扫码采用手动扫描的模式,登陆后通过不同的关键词进行搜索,翻页等操作。
- 遇到的坑:
1.SogouWechat这个库只能抓到10个items(自己加入cookies也只能抓10个好像,反正我没成功的抓多个)
2.登陆只想到手动扫描这一块,没有其他更好的方法
3.搜索出来的文章链接时临时性的,要及时request并保存
4.在模拟翻页操作的时候,建议模拟一下页面滚动
5.网速不好的情况,要有sleep,要不然chrome会报错
搜狗新闻抓取
- 目标:在搜狗新闻搜索中搜索关键,将所有新闻的标题,时间,内容保存下来
- 采取的策略:
- request.get关键词,因为搜狗新闻就不涉及到cookies的问题,直接请求
2.ip隧道代理请求(阿布云代理)
3.news的具体页面,如果request获取不到文本,用selenium抓
- 遇到的坑:参照以上第三点。
知网摘要信息抓取
- 目标:指定文献来源或者单位,抓所有的文献的摘要,作者,时间等等
- 采取的策略:
1.selenium模拟登陆,得到搜索页面
2.ajax抓包,构造请求发送到服务器
3.自动打码(云打码,效果还可以)
4.ip隧道代理
5.翻页用request构造 - 遇到的坑:
1.必须要登陆才能看到所有文献
2.打码失败的话one more time
3.数据量有点多,及时保存数据,我没有用数据库,我直接写到文件了
抓取知网摘要、搜狗微信文章、搜狗新闻的爬虫相关推荐
- Zotero 抓取知网文献失败解决办法梳理(针对问题:更新Translator无效,更新茉莉花插件无效,卸载Zotero无效,使用学校VPN访问知网)
Zotero 抓取知网文献失败解决办法梳理(针对问题:更新Translator无效,更新茉莉花插件无效,卸载Zotero无效,使用学校VPN访问知网) 问题背景 解决方案一 解决方案二 解决方案三 说 ...
- 爬取知网博硕士文献及中国专利存到mysql数据库中的代码及其注意事项
今天因为需要做了一个爬取知网博硕士论文及中国专利的爬虫,在制作的过程中遇到了不少坑,在网上查资料时都是很老的资源,在现在知网的反爬虫下不起作用,所以我来写这篇文章来供大家参考.(这篇文章主要介绍通过改 ...
- python抓取文献关键信息,python爬虫——使用selenium爬取知网文献相关信息
python爬虫--使用selenium爬取知网文献相关信息 写在前面: 本文章限于交流讨论,请不要使用文章的代码去攻击别人的服务器 如侵权联系作者删除 文中的错误已经修改过来了,谢谢各位爬友指出错误 ...
- 使用Scrapy、PhantomJS和Selenium爬取知网文献摘要
使用Scrapy.PhantomJS和Selenium爬取知网文献摘要.以下例子用于爬取"医药卫生科技"类文献摘要. 1.使用Scrapy创建项目 scrapy startproj ...
- Python3爬取知网文章
分析 首先,我们看一下入口的网站,在输入关键词搜索之前和之后它的网址并没有什么变化,所以我们不能通过直接请求它来得到文章. 搜索前 搜索后 所以,我们应该换一种思路.打开开发者工具后,我们可以看到如下 ...
- 爬取搜狗微信文章笔记1
爬取搜狗微信文章笔记1 错误1 ```pythonprint('https://weixin.sogou.com'+index) TypeError: can only concatenate str ...
- 批量抓取凤凰网文章类
# -*- coding: utf-8 -*- import urllib2,re file = open('fenghuang.txt', 'w')""" 批量抓取凤凰 ...
- python爬虫知网实例-python爬取知网
广告关闭 腾讯云双11爆品提前享,精选热门产品助力上云,云服务器首年88元起,买的越多返的越多,最高满返5000元! https:github.comgnemougdistribute_crawler ...
- java+selenium爬取知网数据
使用selenium工具爬取知网相关数据,思路:根据几个关键词搜索出相关的内容,然后爬取列表中所有论文的访问链接. 注意:直接爬取的链接是不能用的,需要自己拼接一下.具体看代码.新手,代码写的有点乱. ...
- python爬虫爬取知网
python爬虫爬取知网 话不多说,直接上代码! import requests import re import time import xlrd from xlrd import open_wor ...
最新文章
- 巧用CSS的Wave滤镜
- XamarinSQLite教程添加测试数据
- 自学python需要买书吗-Python入门到精通学习书籍推荐!
- Dell R240 1U机架式服务器 资料
- 无法读取内存属于错误吗_深入了解 JavaScript 内存泄露
- python logger设置信息取得_shell 脚本中如何获取 python logging 打印的信息?
- RTX5 | 消息队列06 - (实战技巧)FDCAN接收中断ISR同步线程
- [技术分享] 融云开发案例核心代码分享
- [转]Git 撤销操作
- 改变浏览器窗口的大小和位置
- vista中如何解决金山词霸延时问题
- linux安装思源字体下载,CentOS7安装思源黑体(Source Han Sans)方法
- 只有真正程序猿才能看懂的段子!!
- 产品经理不再纸上谈兵——关于用户默认头像的思考
- 初学EGE图形库(零)---从零开始CodeBlocks安装配置使用EGE图形库
- Lenovo启天M437 黑苹果efi引导文件
- 【LaTex写作】关于LaTex的所有名词及其解释
- 开黑不卡顿,运行不掉帧,高通骁龙 835 助力 NEST 2017 王者荣耀组决赛
- 物联网通信协议(接入协议)
- V8引擎静态库及其调用方法