Python Selenium自动化导出新版WOS(web of science)检索结果

aspeipei

已于 2022-10-20 16:18:02 修改

阅读量755

点赞数 1

分类专栏： Python 文章标签： python selenium 自动化

于 2022-10-09 17:10:24 首次发布

本文链接：https://blog.csdn.net/aspeipei/article/details/127230119

版权

Python 专栏收录该内容

9 篇文章 0 订阅

订阅专栏

参照博文：https://blog.csdn.net/Parzival_/article/details/122360528
对比上面博主的原文，我更改了“导出”按钮的元素定位方法，并且在若干步骤之间加了sleep，因为怕网速太慢！

如果运行发现有元素定位失败的情况，建议安装Chrome的SelectorsHub标签，自动获得元素定位代码，然后放到python中运行即可。
想要检查是否正确，可以用Firefox的Try Xpath表达式验证表达式是否正确。

全部代码如下：

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

# 此处插入函数

def login(browser):
    '''登录wos'''
    # 通过CHINA CERNET Federation登录
    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大学') # 改成你的学校名
    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)
    #! 跳转到学校的统一身份验证(想自动输入账号密码就把下面两行注释解除,按照自己学校的网址修改一下css选择器路径)
    # browser.find_element_by_css_selector('input#un').send_keys('你的学号') # 改成你的学号/账号
    # browser.find_element_by_css_selector('input#pd').send_keys('你的密码') # 改成你的密码
    time.sleep(20) #! 手动输入账号、密码、验证码，点登录


def send_key(browser,path,value):
    '''browser -> browser;\n
       path -> css选择器;\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'):
    '''导出文件重命名 \n
       SAVE_TO_DIRECTORY -> 导出记录存储位置(文件夹)；\n
       name -> 重命名为
    '''
    # 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"))

# 更新。判断页面元素是否存在。element处传入css选择器路径。
def isElementExist(browser,element):
    try:
        browser.find_element_by_css_selector(element)
        return True
    except:
        return False


def startdownload(url,record_num,SAVE_TO_DIRECTORY,record_format='excel',reverse=False):
    '''url -> 检索结果网址; \n
       record_num -> 需要导出的记录条数(检索结果数); \n
       SAVE_TO_DIRECTORY -> 记录导出存储路径(文件夹);\n
       reverse -> 是否设置检索结果降序排列, default=False \n
       ----------------------------------------------------
       tip1:首次打开wos必须登录,在学校统一身份认证处需要手动输入验证码并点击登录;
       tip2:第一次导出时需要手动修改文件处理方式为"保存文件",并勾选"以后都采用相同动作处理此类文件"
    '''
    # SAVE_TO_DIRECTORY = '/Users/chenzijing/Desktop/研/毕业论文/毕设研/代码/论文数据'#/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(4)
    #login(browser)
    browser.get(url) # 登陆后会跳转到首页,这里直接重新打开检索结果页面
    time.sleep(5)

    # 获取需要导出的文献数量
    # record_num = int(browser.find_element_by_css_selector('.brand-blue').text)
    # 按时间降序排列
    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)

    # 叉掉弹窗。网站弹窗时常会改，报错的话可以自己重新获取一下节点哦。
    browser.find_element_by_css_selector('#onetrust-accept-btn-handler').click()
    time.sleep(15)
    #browser.find_element_by_css_selector('button.flex-display-align-center').click()
    #time.sleep(15)
    browser.find_element_by_css_selector('#pendo-close-guide-586b9e0a').click()
    time.sleep(15)

    # 开始导出
    start = 1 # 起始记录
    i = 0 # 导出记录的数字框id随导出次数递增
    flag = 1 # mac文件夹默认有一个'.DS_Store'文件
    while start<record_num:
        print(start,'-',start+499,' ','start')
        output_button = browser.find_element_by_css_selector("button[class='mat-focus-indicator mat-menu-trigger margin-right-10--reversible mat-stroked-button mat-button-base mat-primary'] span[class='mat-button-wrapper']")
        browser.execute_script('arguments[0].click()', output_button)
        # browser.find_element_by_css_selector("button[class='mat-focus-indicator mat-menu-trigger margin-right-10--reversible mat-stroked-button mat-button-base mat-primary'] span[class='mat-button-wrapper']").click() # 导出
        time.sleep(3)
        # browser.find_element_by_xpath("//span[contains(text(),'导出')]").click() # 导出
        if record_format=='excel':
            browser.find_element_by_css_selector('#exportToExcelButton').click() # 选择导出格式为excel
            time.sleep(3)
            browser.find_element_by_css_selector('#radio3 label:nth-child(1) span:nth-child(1)').click() # 选择自定义记录条数
            time.sleep(3)
            send_key(browser,'#mat-input-%d'%i,start)#mat-input-2
            time.sleep(3)
            send_key(browser,'#mat-input-%d'%(i+1),start+999)
            time.sleep(3)
            browser.find_element_by_css_selector('.margin-top-5 button:nth-child(1)').click() # 更改导出字段
            time.sleep(3)
            browser.find_element_by_css_selector('div.wrap-mode:nth-child(3) span:nth-child(1)').click() # 选择所需字段(excel:3完整/4自定义; txt:3完整/4完整+引文)
            time.sleep(3)
            browser.find_element_by_css_selector('div.flex-align:nth-child(3) button:nth-child(1)').click() # 点击导出
            time.sleep(30)
            while len(os.listdir(SAVE_TO_DIRECTORY))==flag:
                time.sleep(10) # 等待下载完毕
            # 导出文件按照包含的记录编号重命名
            rename_file(SAVE_TO_DIRECTORY,'record-'+str(start)+'-'+str(start+999),record_format=record_format)
            start = start + 1000
        else:
            browser.find_element_by_css_selector('#exportToFieldTaggedButton').click() # 选择导出格式为txt
            time.sleep(3)
            browser.find_element_by_css_selector('#radio3 label:nth-child(1) span:nth-child(1) span:nth-child(1)').click() # 选择自定义记录条数
            time.sleep(3)
            send_key(browser,'#mat-input-%d'%i,start)  # mat-input-后面的数字每次都会变
            time.sleep(3)
            send_key(browser,'#mat-input-%d'%(i+1),start+499)
            time.sleep(3)
            browser.find_element_by_css_selector('.margin-top-5 button:nth-child(1)').click() # 更改导出字段
            time.sleep(3)
            browser.find_element_by_css_selector('div.wrap-mode:nth-child(4) span:nth-child(1)').click() # 选择所需字段(excel:3完整/4自定义; txt:3完整/4完整+引文)
            time.sleep(3)
            browser.find_element_by_css_selector('div.flex-align:nth-child(3) button:nth-child(1)').click() # 点击导出
            time.sleep(20)
            while len(os.listdir(SAVE_TO_DIRECTORY))==flag:
                time.sleep(20) # 等待下载完毕
            # 导出文件按照包含的记录编号重命名
            # rename_file(SAVE_TO_DIRECTORY,'record-'+str(start)+'-'+str(start+499),record_format=record_format)
            print(start,'-',start+499,' ','done')
            start = start + 500
        i = i + 2
        flag = flag + 1

    time.sleep(10)
    browser.quit()



if __name__ == '__main__':
    # WOS“检索结果”页面的网址
    url = 'https://www.webofscience.com/wos/woscc/summary/29710eec-7652-4560-96e3-34113ba958a2-544c6563/relevance/1'
    # 导出到本地的存储路径(自行修改)
    download_path = './WOSfolder'

    startdownload(url, 7576, download_path, record_format='txt', reverse=False)  # 主要函数
    print('Done')