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

2022.1.6旧版web of science正式下线了，这里是对**新版**网站重新开发的自动化导出代码。**使用本代码需要：**- 国内大学学生账号(登录wos使用)-火狐浏览器- python以及selenium包- geckodriver 0.24.0 (放在爬虫代码同一个文件夹下)

Parzival_

5776人浏览 · 2022-01-07 12:33:24

Parzival_ · 2022-01-07 12:33:24 发布

写在前面

有的时候需要某个领域的所有论文数据，此时web of science数据库检索的论文结果可能动辄上万甚至几十万，然而网站限制单次导出条数为1000（如果需要引文字段则仅500，仅导出为txt可包含引用详细信息），需要导出几十上百次，手动做太费神，因此写一个爬虫脚本自动导出。

2022.1.6旧版web of science正式下线了，这里是对新版网站重新开发的自动化导出代码。

使用本代码需要：

国内大学学生账号(登录wos使用)
火狐浏览器（我的版本是89.0.2）
python以及selenium包（我的版本是python3.7，selenium3.141.0）
geckodriver （我的版本是0.24.0 ，放在爬虫代码同一个文件夹下)

严格来说本代码属于半自动化导出，考虑到开发效率等因素，有两处在首次导出时需要手动操作，后文细说。

遇到“selenium.common.exceptions.NoSuchElementException: Message: Unable to locate element: …”的报错首先排查网络问题，可以把对应代码行之前的浏览器等待时间加长。

正文

代码情况：

输入：wos检索结果网址、需要导出的条数、导出结果存储路径
输出：导出文件（格式自选，一般txt/excel）

1、需要导入的包，以及测试入口。

其中url是在完成wos检索之后的检索页面网址。
发现导出文件没有存到指定文件夹，一般是因为文件路径有问题，所以浏览器还是把导出文件存到了默认文件夹。排查方法 ：本地存储路径注意不要出现中文。文件路径中的分隔符mac下用“/”，Windows下“/”、“\\”，r"\"可以自行尝试。

请添加图片描述

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

if __name__=='__main__':

    # WOS“检索结果”页面的网址
    url = 'https://www.webofscience.com/wos/woscc/summary/64c4e5ff-832d-476d-8112-51e908a600b1-1d5405d5/relevance/1'
    # 导出到本地的存储路径(自行修改)
    download_path = '/Users/username/folder'
    
    startdownload(url,80195, download_path,record_format='excel',reverse=False) # 主要函数
    print('Done')

2、主要函数

两次手动操作：

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信息并点击登录。（20220306更新：发现在有的电脑上用的时候并不需要登录…按需选择吧…不用登录的话把login函数注释掉就行。20220415更新：破案了，之前每次都要登录是因为我一直挂着梯子…关了之后校园网就可以直接进入wos了，有被自己蠢到…）;
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"

输入参数见函数说明。

选择导出格式处给出了excel和txt两种，默认excel，可自选。
windows系统把flag变量初始值改为0。

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(0.5)
    browser.find_element_by_css_selector('button.flex-display-align-center').click()
    time.sleep(0.5)
    browser.find_element_by_css_selector('#pendo-close-guide-5600f670').click()
    time.sleep(0.5)

    # 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')
        browser.find_element_by_css_selector('button.cdx-but-md:nth-child(2) span:nth-child(1)').click() # 导出
        if record_format=='excel':
            browser.find_element_by_css_selector('#exportToExcelButton').click() # 选择导出格式为excel
            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
            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() # 更改导出字段
            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)
            browser.find_element_by_css_selector('div.flex-align:nth-child(3) button:nth-child(1)').click() # 点击导出
            while len(os.listdir(SAVE_TO_DIRECTORY))==flag:
                time.sleep(1) # 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
            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
            send_key(browser,'#mat-input-%d'%i,start)#mat-input-2
            send_key(browser,'#mat-input-%d'%(i+1),start+499)
            browser.find_element_by_css_selector('.margin-top-5 button:nth-child(1)').click() # 更改导出字段
            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)
            browser.find_element_by_css_selector('div.flex-align:nth-child(3) button:nth-child(1)').click() # 点击导出
            while len(os.listdir(SAVE_TO_DIRECTORY))==flag:
                time.sleep(1) # 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()

3、主要函数中调用的其他函数

login函数中“学校的统一身份验证”部分可以选择手动，或者根据学校网站自行修改。
其他无需修改。

20220415更新：最后增加了isElementExist函数，用于判断页面中某元素是否存在，避免点击不存在的元素（比如时有时无的弹窗）报错。也可以用于判断新页面是否加载完成，以优化等待时间。暂时没有更新到主要函数中，需要的小伙伴自行取用哦。

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

4、导出结果

部分结果，展示导出形式。
请添加图片描述

5、写在最后

代码使用：

复制上面所有代码，修改其中的url、存储路径，并满足1、中的四条条件。

有不明白的地方欢迎私信交流，有错误也欢迎指出，大家共同进步呀。
（私信不太经常看，可能回复不及时，但看到一定会回复，见谅！）

6、再次写在最后

首先很高兴很多私信的小伙伴都已经成功运行了这份代码～
然后有一丢丢内心os想说一下：由于模拟浏览器爬虫是一个高度个性化的操作，在不同的电脑和网络环境下会有不同的问题。因此因为运行出错来提问的小伙伴请带上浏览器界面以及IDE报错信息，提问之前请确定没有对代码自行做过大幅修改、完全按照5中方法使用、文章中已经提到的解决方法无效，我会尽量回复，谢谢啦～