经验首页 前端设计 程序设计 Java相关 移动开发 数据库/运维 软件/图像 大数据/云计算 其他经验
当前位置:技术经验 » 程序设计 » Python » 查看文章
Python爬虫爬取ECVA论文标题作者摘要关键字等信息并存储到mysql数据库
来源:cnblogs  作者:杨传伟  时间:2021/6/15 9:18:25  对本文有异议

网站截图:

 

 

 

 源代码:

  1 import re
  2 import requests
  3 import pymysql
  4 from bs4 import BeautifulSoup
  5 import lxml
  6 import traceback
  7 import time
  8 import json
  9 from lxml import etree
 10 def query(sql,*args):
 11     """
 12     封装通用查询
 13     :param sql:
 14     :param args:
 15     :return: 返回查询结果以((),(),)形式
 16     """
 17     conn,cursor = get_conn();
 18     cursor.execute(sql)
 19     res=cursor.fetchall()
 20     close_conn(conn,cursor)
 21     return res
 22 def get_paper():
 23     #https://www.ecva.net/papers/eccv_2020/papers_ECCV/html/343_ECCV_2020_paper.php
 24     url='https://www.ecva.net/papers.php'
 25     headers = {
 26         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36'
 27     }
 28     response=requests.get(url,headers)
 29     response.encoding='utf-8'
 30     page_text=response.text
 31     #输出页面html
 32     # print(page_text)
 33     soup = BeautifulSoup(page_text,'lxml')
 34     all_dt=soup.find_all('dt',class_='ptitle')
 35     print("dt:"+str(len(all_dt)))
 36     #暂存信息
 37     temp_res=[]
 38     #最后结果集
 39     res=[]
 40     #链接
 41     link_res = []
 42     for dt in all_dt:
 43         single_dt=str(dt)
 44         single_soup=BeautifulSoup(single_dt,'lxml')
 45         title=single_soup.find('a').text
 46         #存标题
 47         temp_res.append(title[2:])
 48         #存摘要
 49 
 50         #存关键字
 51 
 52         #存源链接
 53         sourcelink=single_soup.find('a')['href']
 54         sourcelink="https://www.ecva.net/"+sourcelink
 55         temp_res.append(sourcelink)
 56         res.append(temp_res)
 57         temp_res=[]
 58     #爬取作者和pdf文件链接
 59     all_dd=soup.find_all('dd')
 60     print("dd:"+str(len(all_dd)))
 61     flag=0
 62     temp_link=[]
 63     author=[]       #作者列表 一层list
 64     for item in all_dd:
 65         if(flag%2==0):
 66             #保存作者
 67             author.append(item)
 68         else:
 69             linktext=str(item)
 70             linksoup=BeautifulSoup(linktext,'lxml')
 71             link_list=linksoup.find_all('a')
 72             for i in link_list:
 73                 if(i.get('href')==None):
 74                     temp_link.append("fakelink")
 75                 else:
 76                     # print(i)
 77                     if("http" not in str(i.get('href')) and "papers" in str(i.get('href'))):
 78                         temp_link.append(("https://www.ecva.net/"+str(i.get('href'))))
 79                     else:
 80                         temp_link.append(i.get('href'))
 81             print(temp_link)
 82             link_res.append(temp_link)
 83             temp_link=[]
 84             #解析download 和 pdfinfo
 85         flag = flag + 1
 86     """
 87     继续使用beautifulsoup
 88     download_text 和 pdfinfo_text
 89     存储author
 90     "https://www.ecva.net/"
 91     """
 92     linkflag=1
 93     print("------------------------------")
 94     #把作者和download pdfinfo 存到res
 95     for i in range(0,len(author)):
 96         #添加作者
 97         str_author=str(author[i])
 98         new_author=str_author.replace("<dd>","")
 99         new_author=new_author.replace(" </dd>","")
100         new_author = new_author.replace("\n", "")
101         res[i].append(new_author)
102         # print("link_res:"+str(len(link_res)))
103         if(len(link_res[i])==2):
104             #添加download
105             res[i].append(link_res[i][0])
106             #添加pdfinfo
107             res[i].append(link_res[i][1])
108         else:
109             # 添加download
110             res[i].append(link_res[i][0])
111             # 添加pdfinfo
112             res[i].append(link_res[i][2])
113     print("----------------------")
114     # print(len(author))
115     # print(len(download))
116     # print(len(pdfinfo))
117     # for item in res:
118     #     print(item)
119     return  res
120 #############################################################
121 #继续爬取abstract 和 keyword
122 def get_further():
123     res=get_paper()
124     temp_res=[]
125     further_res=[]
126     db_res=[]
127     sql="SELECT pdfinfo FROM pdf;"
128     db_res=query(sql)  #返回元祖 要继续[0]访问数据
129     #对结果集的链接发起请求
130     for i in range(1358,len(db_res)):
131         url=db_res[i][0]       #获取url
132         print(url)
133         headers={
134             "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
135                          "Chrome/91.0.4472.101 Safari/537.36"
136         }
137         try:
138             response=requests.get(url,headers)
139             response.encoding = "utf-8"
140             page_text = response.text
141             # print(page_text)
142             soup = BeautifulSoup(page_text, 'lxml')
143 
144             abstract = soup.find('p', id='Par1').text
145             #去掉\n
146             abstract = abstract.replace("\n","")
147             print("摘要:"+abstract)
148             keyword = soup.find_all('span', class_="Keyword")
149             # print(keyword)
150             # find_keyword=re.compile('<span class="Keyword">(.*?)</span>')
151             keyword_str = ""
152             for items in keyword:
153                 # 获取所有文本
154                 keyword_str = keyword_str + items.get_text()
155             print("关键字:"+keyword_str)
156             #去掉 \xa0
157             keyword_str=keyword_str.replace("\xa0",",")
158             #去掉末尾的一个逗号
159             keyword_str = keyword_str[0:-1]
160             # 最后添加   摘要和关键字
161             temp_res.append(abstract)
162             temp_res.append(keyword_str)
163             further_res.append(temp_res)
164             print(temp_res)
165             print("~~~~~~~~~~~~~~~~~~~~~~~~~~~")
166             temp_res = []
167         except:
168             print("链接无效!")
169             try:
170                 if(len(further_res[i][0])==0):
171                     res[i].append("no abstract")
172                 else:
173                     res[i].append(further_res[i][0])
174                 if(len(further_res[i][1])==0):
175                     res[i].append("no keyword")
176                 else:
177                     res[i].append(further_res[i][1])
178                 print(res[i])
179                 # 插入数据库
180                 # insert_paper_1(res[i], i)
181             except:
182                 print("IndexError: list index out of range")
183     return
184 
185 #连接数据库  获取游标
186 def get_conn():
187     """
188     :return: 连接,游标
189     """
190     # 创建连接
191     conn = pymysql.connect(host="127.0.0.1",
192                     user="root",
193                     password="000429",
194                     db="paperinfo",
195                     charset="utf8")
196     # 创建游标
197     cursor = conn.cursor()  # 执行完毕返回的结果集默认以元组显示
198     if ((conn != None) & (cursor != None)):
199         print("数据库连接成功!游标创建成功!")
200     else:
201         print("数据库连接失败!")
202     return conn, cursor
203 #关闭数据库连接和游标
204 def close_conn(conn, cursor):
205     if cursor:
206         cursor.close()
207     if conn:
208         conn.close()
209     return 1
210 def insert_paper_0():
211     conn,cursor=get_conn()
212     res=get_paper()
213     print(f"{time.asctime()}开始插入论文详情数据")
214     try:
215         sql = "insert into paper (title,sourcelink,author,download,abstract,keyword) values(%s,%s," 216               "%s,%s,%s,%s)"
217         for item in res:
218             print(item)
219             # 异常捕获,防止数据库主键冲突
220             try:
221                 cursor.execute(sql, [item[0], item[1], item[2], item[3],"",""])
222             except pymysql.err.IntegrityError:
223                 print("重复!")
224         print("###########################")
225         conn.commit()  # 提交事务 update delete insert操作
226         print(f"{time.asctime()}插入论文详情数据完毕")
227     except:
228         traceback.print_exc()
229     finally:
230         close_conn(conn, cursor)
231     return
232 #########################################
233 def insert_paper_1(res,count):
234     conn,cursor=get_conn()
235     print(f"{time.asctime()}开始插入论文详情数据")
236     try:
237         sql = "insert into paper (title,sourcelink,author,download,abstract,keyword) values(%s,%s," 238               "%s,%s,%s,%s)"
239         print(res)
240         # 异常捕获,防止数据库主键冲突
241         try:
242             cursor.execute(sql, [res[0], res[1], res[2], res[3],res[5],res[6]])
243         except pymysql.err.IntegrityError:
244             print("重复!")
245         print("###########################")
246         conn.commit()  # 提交事务 update delete insert操作
247         print(f"{time.asctime()}插入第"+str(count+1)+"条论文详情数据完毕")
248     except:
249         traceback.print_exc()
250     finally:
251         close_conn(conn, cursor)
252     return
253 
254 #单独插入 pdfinfo
255 def inseet_pdf():
256     conn, cursor = get_conn()
257     res=get_paper()
258     print(f"{time.asctime()}开始插入论文pdfinfo数据")
259     try:
260         sql = "insert into pdf (id,pdfinfo) values(%s,%s)"
261         # 异常捕获,防止数据库主键冲突
262         for item in res:
263             print(item)
264             # 异常捕获,防止数据库主键冲突
265             try:
266                 cursor.execute(sql, [0,item[4]])
267             except pymysql.err.IntegrityError:
268                 print("重复!")
269         print("###########################")
270         conn.commit()  # 提交事务 update delete insert操作
271         print(f"{time.asctime()}插入论文pdfinfo完毕")
272     except:
273         traceback.print_exc()
274     finally:
275         close_conn(conn, cursor)
276     return
277 if (__name__=='__main__'):
278     get_further()
279     # inseet_pdf()

 

 

原文链接:http://www.cnblogs.com/rainbow-1/p/14880491.html

 友情链接: NPS