【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 
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>sample@example.net</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。
来源：oschina
链接：https://my.oschina.net/u/1782684/blog/314857