一、知网介绍
提起中国知网，如果你曾经写过论文，那么基本上都会与中国知网打交道，因为写一篇论文必然面临着各种查重，当然翟博士除外。但是，本次重点不在于写论文跟查重上，而在于我们要爬取知网上一些论文的数据，什么样的数据呢？我们举一个例子来说，在知网上，搜索论文的方式有很多种，但是对于专业人士来说，一般都会使用高级检索，因为直接去查找作者的话，容易查找到很多重名作者，所以我们本次的爬虫也是使用了高级检索(泛称)的爬虫，再具体就是专业检索，有助于我们唯一定位到作者。
二、常规步骤—页面分析
1.来到高级检索页面，以【AU=王长峰 AND FU=71271031】为例检索，结果如下：
2.利用Xpath语法尝试获取这些数据，却发现一无所获。
3.按照常理来说，即使是动态网页也可以利用Xpath语法提取到数据，只是在Python里面获取不到而已，所以在这里存在我们所不知道的问题。
三、知网反爬虫机制
常见的反爬虫机制一般有两种：
第一种是请求头反爬虫，这个也是最简单的，如果你不给定请求头，对方服务器就不会理你。需要设置的参数有User-Agent、Referer和Cookie。
第二种是动态网页，利用Ajax技术使用js接口来传递数据。
毫无疑问，对于数据非常金贵的中国知网来说，肯定使用了以上两种反爬方式，并且中国知网的js接口非常复杂，虽说复杂，但是只要你的内功要是足够强的话，还是能够分析得出来，但是对于不懂js以及web开发的朋友来说，这将是一个非常困难的事情，所以使用selenium来进行爬虫将是一件相对来说比较容易的事情。
另外，知网也不是仅仅只有这两层反爬虫机制，还有第三层，那就是iframe，由于很多朋友并没有做过网站开发，所以不太清楚了这是什么东西，导致即使发现自己的Xpath语法正确，也无法正确获取数据，从而怀疑人生，实际上，iframe比较常见的一种反爬虫机制，不过，如果你不知道这个东西，那么你就基本上无缘爬取中国知网了。
四、什么是iframe?
了解iframe前，你首先得知道一个网页是什么，没错，一个网页就是一个html页面。接下来我们从感性和源码两个方面来认识一下iframe.
1.感性认知。
一句话：一个完整的网页内部又嵌套了多个完整的网页，嵌套的页面就叫做iframe。
2.网页源码认识。
比如一个非常简单的html页面(如下图所示)，一个html页面是拥有一个完整的html标签的，也就是起始html【】和闭合html【】，而iframe则是在这一个完整的html标签里面又嵌套了一个完整的html标签。
<html><body><p>Python伊甸园p>body>html>
3.看一下中国知网的源码，发现果然存在一个iframe,所以这个就是中国知网的第三种反爬虫机制。
五、最后给出中国知网的爬虫
1.ways.py
import pandas as pd#AU=王长峰 AND FU=71271031def get_data(): data_list = pd.read_excel(r"C:\Users\wwb\Desktop\科学基金.xls", encoding='utf8') leaders = data_list.leader.values.tolist() codes = data_list.code.tolist() results = [] for leader,code in zip(leaders,codes): result = "AU={} AND FU={}".format(leader,code) results.append(result) return results2.main.py
from selenium import webdriverfrom lxml import etreeimport timefrom ways import get_dataimport randomdef pasre_page(driver): html = etree.HTML(driver.page_source) trs = html.xpath('//tr[@bgcolor]') for tr in trs: title = tr.xpath('./td//a[@]/text()')[0] authors = tr.xpath('./td[@]/a[@]//text()') authors = "|".join(authors) source = tr.xpath('./td//a[@target="_blank"]/text()')[1] times = tr.xpath('./td[@align="center"]/text()')[0].strip() database = tr.xpath('./td[@align="center"]/text()')[1].strip() counted = tr.xpath('./td//span[@]/a/text()') if len(counted) == 0: counted = 0 else: counted = counted[0] downloadCount = tr.xpath('./td//span[@]/a/text()') if len(downloadCount) == 0: downloadCount = 0 else: downloadCount = downloadCount[0] data = { "title":title, "authors":authors, "source":source, "times":times, "database":database, "counted":counted, "downloadCount":downloadCount, } datas.append(data) print(title) time.sleep(random.uniform(2,4)) driver.switch_to.parent_frame() search_win = driver.find_element_by_id('expertvalue') search_win.clear() time.sleep(random.uniform(2,4)) driver_path = r"C:\Users\wwb\Desktop\chromedriver.exe"driver = webdriver.Chrome(executable_path=driver_path)url = "https://www.cnki.net/"driver.get(url)home_page = driver.find_element_by_id('highSearch')home_page.click()driver.switch_to_window(driver.window_handles[1])search_page = driver.find_element_by_id('1_3')search_page.click()datas = []results = get_data()for result in results: search_win = driver.find_element_by_id('expertvalue') search_win.send_keys(result) search_btn = driver.find_element_by_id('btnSearch') search_btn.click() iframe = driver.find_element_by_id('iframeResult') driver.switch_to.frame(iframe) time.sleep(random.uniform(2,4)) pasre_page(driver)3.部分结果展示：
Python伊甸园qq交流总群：725962878，有兴趣大家一块儿交流Python知识。
微信公众号:Python伊甸园
