關于Python?Selenium自動化導出新版WOS(web?of?science)檢索結果的問題
selenium 介紹
selenium 是一個 web 的自動化測試工具,不少學習功能自動化的同學開始首選 selenium ,因為它相比 QTP 有諸多有點:
- 免費,也不用再為破解 QTP 而大傷腦筋
- 小巧,對于不同的語言它只是一個包而已,而 QTP 需要下載安裝1個多 G 的程序。
- 這也是最重要的一點,不管你以前更熟悉 C、 java、ruby、python、或都是 C# ,你都可以通過 selenium 完成自動化測試,而 QTP 只支持 VBS
- 支持多平臺:windows、linux、MAC ,支持多瀏覽器:ie、ff、safari、opera、chrome
- 支持分布式測試用例的執(zhí)行,可以把測試用例分布到不同的測試機器的執(zhí)行,相當于分發(fā)機的功能。
官方文檔:
https://selenium-python.readthedocs.io/index.html
https://seleniumhq.github.io/selenium/docs/api/py/api.html
寫在前面
有的時候需要某個領域的所有論文數(shù)據(jù),此時web of science數(shù)據(jù)庫檢索的論文結果可能動輒上萬甚至幾十萬,然而網(wǎng)站限制單次導出條數(shù)為1000(如果需要引文字段則僅500,僅導出為txt可包含引用詳細信息),需要導出幾十上百次,手動做太費神,因此寫一個爬蟲腳本自動導出。
2022.1.6舊版web of science正式下線了,這里是對新版網(wǎng)站重新開發(fā)的自動化導出代碼。
使用本代碼需要:
- 國內大學學生賬號(登錄wos使用)
- 火狐瀏覽器
- geckodriver 0.24.0 (放在爬蟲代碼同一個文件夾下)
嚴格來說本代碼屬于半自動化導出,考慮到開發(fā)效率等因素,有兩處在首次導出時需要手動操作,后文細說。
遇到“selenium.common.exceptions.NoSuchElementException: Message: Unable to locate element: …”的報錯首先排查網(wǎng)絡問題,可以把對應代碼行之前的瀏覽器等待時間加長。
正文
代碼情況:
- 輸入:wos檢索結果網(wǎng)址、需要導出的條數(shù)、導出結果存儲路徑
- 輸出:導出文件(格式自選,一般txt/excel)
1、需要導入的包,以及測試入口。
其中url是在完成wos檢索之后的檢索頁面網(wǎng)址。
from selenium import webdriver from selenium.webdriver.common.keys import Keys import time import os from selenium.webdriver.support.wait import WebDriverWait from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.common.by import By if __name__=='__main__': '''WOS“檢索結果”頁面的網(wǎng)址''' url = 'https://www.webofscience.com/wos/woscc/summary/64c4e5ff-832d-476d-8112-51e908a600b1-1d5405d5/relevance/1' startdownload(url,80195,'/Users/username/folder',False) # 主要函數(shù) print('Done')
2、主要函數(shù)
兩次手動操作:
- 首次打開wos必須登錄, 在學校統(tǒng)一身份認證處需要手動輸入信息并點擊登錄;
- 第一次導出時需要手動修改文件處理方式為"保存文件", 并勾選"以后都采用相同動作處理此類文件"
輸入?yún)?shù)見函數(shù)說明。
- 選擇導出格式處給出了excel和txt兩種,默認excel,可自選。
def startdownload(url,record_num,SAVE_TO_DIRECTORY,record_format='excel',reverse=False): '''url -> 檢索結果網(wǎng)址; \n record_num -> 需要導出的記錄條數(shù)(檢索結果數(shù)); \n SAVE_TO_DIRECTORY -> 記錄導出存儲路徑(文件夾);\n record_format -> 導出記錄格式, default='excel';\n reverse -> 是否設置檢索結果降序排列, default=False \n ---------------------------------------------------- tip1:首次打開wos必須登錄,在學校統(tǒng)一身份認證處需要手動輸入驗證碼并點擊登錄; tip2:第一次導出時需要手動修改文件處理方式為"保存文件",并勾選"以后都采用相同動作處理此類文件" ''' # SAVE_TO_DIRECTORY = '/Users/chenzijing/Desktop/研/畢業(yè)論文/畢設研/代碼/論文數(shù)據(jù)'#/firefox' fp = webdriver.FirefoxProfile() fp.set_preference('browser.download.dir', SAVE_TO_DIRECTORY) fp.set_preference("browser.download.folderList", 2) fp.set_preference("browser.download.manager.showWhenStarting", False) fp.set_preference("browser.helperApps.neverAsk.saveToDisk", "text/plain") browser = webdriver.Firefox(executable_path=r'geckodriver',firefox_profile=fp) browser.get(url) time.sleep(3) login(browser) browser.get(url) time.sleep(5) '''獲取需要導出的文獻數(shù)量''' # record_num = int(browser.find_element_by_css_selector('.brand-blue').text) # 按時間降序排列 if reverse: browser.find_element_by_css_selector('.top-toolbar wos-select:nth-child(1) button:nth-child(1) span:nth-child(2)').click() browser.find_element_by_css_selector("div.wrap-mode:nth-child(2) span:nth-child(1)").click() time.sleep(3) # 叉掉彈窗 browser.find_element_by_css_selector('#onetrust-accept-btn-handler').click() time.sleep(1) browser.find_element_by_css_selector('#pendo-close-guide-7176fce7').click() # 開始導出 start = 1 # 起始記錄 i = 0 # 導出記錄的數(shù)字框id隨導出次數(shù)遞增 while start<record_num: browser.find_element_by_css_selector('button.cdx-but-md:nth-child(2) span:nth-child(1)').click() # 導出 # 選擇導出格式 if record_format=='excel': browser.find_element_by_css_selector('#exportToExcelButton').click() # 選擇導出格式為excel else: browser.find_element_by_css_selector('#exportToFieldTaggedButton').click() # 選擇導出格式為txt browser.find_element_by_css_selector('#radio3 label:nth-child(1) span:nth-child(1) span:nth-child(1)').click() # 選擇自定義記錄條數(shù) send_key(browser,'#mat-input-%d'%i,start)#mat-input-2 send_key(browser,'#mat-input-%d'%(i+1),start+999) browser.find_element_by_css_selector('.margin-top-5 button:nth-child(1)').click() # 更改導出字段 browser.find_element_by_css_selector('div.wrap-mode:nth-child(3) span:nth-child(1)').click() # 選擇所需字段(3完整)(4自定義) browser.find_element_by_css_selector('div.flex-align:nth-child(3) button:nth-child(1)').click() # 點擊導出 time.sleep(10) # 等待下載完畢 # 導出文件按照包含的記錄編號重命名 rename_file(SAVE_TO_DIRECTORY,'record-'+str(start)+'-'+str(start+999)) start = start + 1000 i = i + 2 time.sleep(10) browser.quit()
3、主要函數(shù)中調用的其他函數(shù)
login函數(shù)中“學校的統(tǒng)一身份驗證”部分可以選擇手動,或者根據(jù)學校網(wǎng)站自行修改。
其他無需修改。
def login(browser): '''登錄wos''' # 通過CHINA CERNET Federation登錄 browser.find_element_by_css_selector('.mat-select-arrow').click() browser.find_element_by_css_selector('#mat-option-9 span:nth-child(1)').click() browser.find_element_by_css_selector('button.wui-btn--login:nth-child(4) span:nth-child(1) span:nth-child(1)').click() time.sleep(3) login = browser.find_element_by_css_selector('#show') login.send_keys('xxxx大學') # 改成你的學校名 time.sleep(0.5) browser.find_element_by_css_selector('.dropdown-item strong:nth-child(1)').click() browser.find_element_by_css_selector('#idpSkipButton').click() time.sleep(1) #! 跳轉到學校的統(tǒng)一身份驗證(想自動輸入賬號密碼就把下面兩行注釋解除,按照自己學校的網(wǎng)址修改一下css選擇器路徑) # browser.find_element_by_css_selector('input#un').send_keys('你的學號') # 改成你的學號/賬號 # browser.find_element_by_css_selector('input#pd').send_keys('你的密碼') # 改成你的密碼 time.sleep(20) #! 手動輸入賬號、密碼、驗證碼,點登錄 def send_key(browser,path,value): '''browser -> browser;\n path -> css選擇器;\n value -> 填入值 ''' markto=browser.find_element_by_css_selector(path) markto.clear() markto.send_keys(value) def rename_file(SAVE_TO_DIRECTORY,name,record_format='excel'): '''導出文件重命名 \n SAVE_TO_DIRECTORY -> 導出記錄存儲位置(文件夾);\n name -> 重命名為 ''' # files = list(filter(lambda x:'savedrecs' in x and len(x.split('.'))==2,os.listdir(SAVE_TO_DIRECTORY))) while True: files = list(filter(lambda x:'savedrecs' in x and len(x.split('.'))==2,os.listdir(SAVE_TO_DIRECTORY))) if len(files)>0: break files = [os.path.join(SAVE_TO_DIRECTORY, f) for f in files] # add path to each file files.sort(key=lambda x: os.path.getctime(x)) newest_file = files[-1] # newest_file=os.path.join(SAVE_TO_DIRECTORY,'savedrecs.txt') if record_format=='excel': os.rename(newest_file, os.path.join(SAVE_TO_DIRECTORY, name+".xls")) else: os.rename(newest_file, os.path.join(SAVE_TO_DIRECTORY, name+".txt"))
4、導出結果
部分結果,展示導出形式。
到此這篇關于Python Selenium自動化導出新版WOS(web of science)檢索結果的文章就介紹到這了,更多相關Python Selenium自動化內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!
相關文章
Python基于DB-API操作MySQL數(shù)據(jù)庫過程解析
這篇文章主要介紹了Python基于DB-API操作MySQL數(shù)據(jù)庫過程解析,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-04-04jupyter 使用Pillow包顯示圖像時inline顯示方式
這篇文章主要介紹了jupyter 使用Pillow包顯示圖像時inline顯示方式,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-04-04Python+Selenium實現(xiàn)短視頻熱點爬取
隨著短視頻的大火,不僅可以給人們帶來娛樂,還有熱點新聞時事以及各種知識,刷短視頻也逐漸成為了日常生活的一部分。本文將通過Pyhton依托Selenium來爬取短視頻熱點,需要的可以參考一下2022-04-04