Python 实现 CNKI批量下载 和FireFox Extension 入门学习笔记

‍                                 Python 实现 CNKI批量下载 和FireFox Extension 入门学习笔记‍

      由于需要也是为了督促自己学习新的东西，我原本想要尝试着写一个爬虫程序，能够在cnki上自动得将论文进行批量下载，学习过程中遇到了诸多情况，cnki也真是专业，不得不佩服cnki的强大。

下面进入正题：

学习、实验环境：ubuntu 14.04

工具：Eclipse ，  FireFox， FireBug，HttpFox

编程语言：python,   js,   XUL

       由于我是中山大学学生，使用校园网进入cnki进行下载是不用登录的，所以我也就没进行模拟登录等方面的实现，有需要的朋友可以使用splinter进行模拟登录，也算快速便捷哈。

       首先我们要实现使用python对cnki的论文实现批量下载，我们首先要对客户端和服务器之间相互传递的信息进行了解，这里我第一次使用的是wireshark，但是这个工具虽然强大，但是真不利于我们进行分析，它抓取的是我们电脑端口的信息，而不能只抓取当前网页的，在多次尝试之后我选择了HttpFox进行数据包抓取：

       如图我们可以发现cnki对一个下载进行了3此redirect，我们通过对获得的数据和再一次发送的数据对比可以发现：前一次获得的url就是下一次get的url，所以我们就可以写出下载部分的核心代码，只有一点点是自己写的，许多网上一搜就有。

# -*- coding: UTF-8 -*-
import sys
import urllib2
import cookielib  
import string
import re
import time
cj = cookielib.CookieJar()  
cookie_support = urllib2.HTTPCookieProcessor(cj)  
opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)  
urllib2.install_opener(opener)
url = 'http://epub.cnki.net/kns/download.aspx?filename=MBnRwcDMudGaItiamtScHVzb2Y0ZrVWRCBjaykEVXRTOjV0QHxUcTh3KNFXbHBDTyQVMNR2cP9kYGh1SXZnQnp3b3I2YqBnbUJ3KSNnRvpEUwhWTVJjNKBDcXVnSmZUayMkRVJUdytCe1AjT1ImTYdWdth1RtlGb&tablename=CMFDLAST2013'
h = {
    'Referer' : url,
    'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:30.0) Gecko/20100101 Firefox/30.0'
}
r = urllib2.urlopen(urllib2.Request(url,headers = h))

r = urllib2.urlopen(urllib2.Request(r.geturl(),headers = h))
r = urllib2.urlopen(urllib2.Request(r.geturl(),headers = h))
r = urllib2.urlopen(urllib2.Request(r.geturl(),headers = h))

data = r.read()

print data

      使用FireBug获取网页源代码，随意找几个下载图标的链接url粘贴到代码中试一试成功了。

      下载部分的代码成功了，那下面就是，如何从cnki的网页中获取到下载的url了，在这部分的实现中，我原本想要使用纯python的实现，使用python写一个爬虫，直接上cnki进行抓取，但是具体实现的时候碰到了很大的问题，例如：1、爬虫网页动态生成的数据困难重重；2、cnki网页在浏览器显示的url一直都是：”http://epub.cnki.net/kns/brief/default_result.aspx”；3、我们需要的网页是放在一个iframe标签里面的，这就非常蛋疼了，一直没找到获取办法

在同学的提示下，我发现了也许FireFox Extension是可行的解决方案。

       学习FireFox Extension的话首先需要能至少看懂XUL代码，然后基本的模范着写，然后呢，就得学会javascript了，当然也有不用js实现的插件，例如使用python写，那使用PyXPCOM，但是我还没学会，这里页不需要哈。

(一)FF extension总体认知

      FF是基于mozilla内核的，其浏览器引擎功能主要由C语言实现，但其浏览器界面及其界面上的相关操作都是由JS和XUL完成的，这就是FF的强大之处，同时它也为大家提供了很好的扩展机制。

      FF扩展的开发目录结构：

      可以到官网上仔细看看。

   FF的工作方式：  

       对于任何一种新的开发语言或环境，大家通常都试图去寻找程序的入口点。可以很负责任地跟大家说，任何编译型(解释型程序)开发语言的程序都有类似C中的Main函数、Java中的主类(public static void main函数)、C#中的入口函数(static void/int Main)等作为程序入口。

        这里我们呢了解这些也就够了。

这里我的目录结构是：

      --chrome

           --content

                  --overlay.js

                  --sample.xul

      --chrome.manifest

      --install.rdf

其中install.rdf代码为：

<?xml version="1.0"?>

<RDF xmlns="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
     xmlns:em="http://www.mozilla.org/2004/em-rdf#">

  <Description about="urn:mozilla:install-manifest">
    <em:id>[email protected]</em:id>
    <em:version>1.0</em:version>
    <em:type>2</em:type>
   
    <!-- Target Application this extension can install into, 
         with minimum and maximum supported versions. --> 
    <em:targetApplication>
      <Description>
        <em:id>{ec8030f7-c20a-464f-9b0e-13a3a9e97384}</em:id>
        <em:minVersion>1.5</em:minVersion>
        <em:maxVersion>4.0.*</em:maxVersion>
      </Description>
    </em:targetApplication>
   
    <!-- Front End MetaData -->
    <em:name>DownLoadPaper</em:name>
    <em:description>A test extension</em:description>
    <em:creator>Liang</em:creator>
    <em:homepageURL>http://www.example.com/</em:homepageURL>
  </Description>      
</RDF>

chrome.manifest代码为

overlay chrome://browser/content/browser.xul chrome://sample/content/sample.xul
content     sample    chrome/content/

overlay.js代码为：

function getURL() {
  if ( window.content.document.location.href != "  {
  alert("Worng address");
  } else {          
    var myWin = window.content.document.getElementById('iframeResult').contentWindow;
    var hre = myWin.document.getElementsByClassName('brief_downloadIcon');
    var path = prompt("save address","eg. //****/****");
    path = path + "/test.csv";
    try {
    netscape.security.PrivilegeManager.enablePrivilege("UniversalXPConnect");
    } catch (e) {
     alert("no permisson...");
     }
    var file = Components.classes["@mozilla.org/file/local;1"] .createInstance(Components.interfaces.nsILocalFile);  
    file.initWithPath(path);
    if ( file.exists() == false )  {   
      file.create( Components.interfaces.nsIFile.NORMAL_FILE_TYPE, 420 );   
      }   
    var outputStream = Components.classes["@mozilla.org/network/file-output-stream;1"] .createInstance( Components.interfaces.nsIFileOutputStream );  
    outputStream.init( file, 0x04 | 0x08 | 0x20, 420, 0 );   
    var converter = Components.classes["@mozilla.org/intl/scriptableunicodeconverter"] .createInstance(Components.interfaces.nsIScriptableUnicodeConverter);
    for (var i = 0; i < hre.length; i++) {
      converter.charset = 'UTF-8';
      var convSource = converter.ConvertFromUnicode(hre[i].href+"\n");
      var result = outputStream.write( convSource, convSource.length ); 
      }
    outputStream.close();  
    alert("File was saved in "+path);
    }
}

sample.xul代码如下：

<?xml version="1.0"?>
<overlay id="sample"
         xmlns="http://www.mozilla.org/keymaster/gatekeeper/there.is.only.xul">

  <script type="application/x-javascript" src="overlay.js"/>

  <menupopup id="menu_ToolsPopup">
    <menuitem id="DownLoadPaper" label="DownLoadPaper" oncommand="getURL();"/>
  </menupopup>

</overlay>

至此，这个粗糙的辅助插件就编写完了，将文件打包压缩成zip格式，然后改名后缀为.xpi，再拖入FF就能安装了，这里需要修改一下FF的权限，使得插件能够修改本地文件，这样，工具栏里会多出一个工具，点击就能把论文下载的URL下载到一个test.csv的文件里了，windows下的用户就不要存到C盘里哈。

完整python文件为：

# -*- coding: UTF-8 -*-
import sys
import urllib2
import cookielib  
import string
import re
import time


f = open('test.csv', 'r')
i = 1
for line in f:
    print line
    try:
        cj = cookielib.CookieJar()  
        cookie_support = urllib2.HTTPCookieProcessor(cj)  
        opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)  
        urllib2.install_opener(opener)
        url = line
        refer = 'http://epub.cnki.net/kns/brief/brief.aspx?pagename=ASP.brief_default_result_aspx&dbPrefix=SCDB&dbCatalog=%e4%b8%ad%e5%9b%bd%e5%ad%a6%e6%9c%af%e6%96%87%e7%8c%ae%e7%bd%91%e7%bb%9c%e5%87%ba%e7%89%88%e6%80%bb%e5%ba%93&ConfigFile=SCDBINDEX.xml&research=off&t=1431252221059&keyValue=python&S=1'


        h = {
             'Referer' : refer,
             'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:30.0) Gecko/20100101 Firefox/30.0'
        }
        r = urllib2.urlopen(urllib2.Request(url,headers = h))


        r = urllib2.urlopen(urllib2.Request(r.geturl(),headers = h))
        r = urllib2.urlopen(urllib2.Request(r.geturl(),headers = h))
        r = urllib2.urlopen(urllib2.Request(r.geturl(),headers = h))


        data = r.read()
        
        if data[:8] == '[TARGET]':
            with open(str(i)+".caa", "wb") as up:     
                up.write(data)
            up.close
        else:
            with open(str(i)+".caj", "wb") as up:     
                up.write(data)
            up.close
        print str(i)+' '+'succeed'
        time.sleep(2)
    except:
        print str(i)+' '+'failed'
    i = i + 1

这样，将test.csv与python文件放于相同目录下，运行python文件就可以下载了。