【kimol君的无聊小发明】—用python写论文下载器
前言
一、代码分析
1. 搜索论文
2. 下载论文
二、完整代码
写在最后
前言
某个夜深人静的夜晚，夜微凉风微扬，月光照进我的书房~
当我打开文件夹以回顾往事之余，惊现许多看似杂乱的无聊代码。我拍腿正坐，一个想法油然而生：“生活已然很无聊，不如再无聊些叭”。
于是，我决定开一个专题，便称之为kimol君的无聊小发明。
妙…啊~~~
一点点题外话：首先跟大家伙道个歉，由于kimol君最近一直忙着毕业的相关事情，距上一次更博已经过去10天有余，心中深感惭愧（手动捂脸）~
在科研学习的过程中，我们难免需要查询相关的文献资料，而想必很多小伙伴都知道SCI-HUB，此乃一大神器，它可以帮助我们搜索相关论文并下载其原文。可以说，SCI-HUB造福了众多科研人员，用起来也是“美滋滋”。
然而，当师姐告诉我：“xx，可以帮我下载几篇文献嘛?”。乐心助人的我自当是满口答应了，心想：“这种小事就交给我叭~”
于是乎，我收到了一个excel文档，66篇论文的列表安静地趟在里面（此刻心中碎碎念：“这尼玛，是几篇嘛…”）。我粗略算了一下，复制、粘贴、下载，一套流程走下来，每篇论文少说也得30秒，66篇的话…啊，这不能忍！
很显然，一篇一篇的下载，不是我的风格。所以，我决定写一个论文下载器助我前行。
一、代码分析
代码分析的详细思路跟以往依旧如此雷同，逃不过的还是：抓包分析->模拟请求->代码整合。由于一会儿kimol君还得去搬砖，今天就不详细展开了😇。
1. 搜索论文
通过论文的URL、PMID、DOI号或者论文标题等搜索到对应的论文，并通过bs4库找出PDF原文的链接地址，代码如下：
def search_article(artName): ''' 搜索论文 --------------- 输入：论文名 --------------- 输出：搜索结果（如果没有返回''，否则返回PDF链接） ''' url = 'https://www.sci-hub.ren/' headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:84.0) Gecko/20100101 Firefox/84.0', 'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8', 'Accept-Language':'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2', 'Accept-Encoding':'gzip, deflate, br', 'Content-Type':'application/x-www-form-urlencoded', 'Content-Length':'123', 'Origin':'https://www.sci-hub.ren', 'Connection':'keep-alive', 'Upgrade-Insecure-Requests':'1'} data = {'sci-hub-plugin-check':'', 'request':artName} res = requests.post(url, headers=headers, data=data) html = res.text soup = BeautifulSoup(html, 'html.parser') iframe = soup.find(id='pdf') if iframe == None: # 未找到相应文章 return '' else: downUrl = iframe['src'] if 'http' not in downUrl: downUrl = 'https:'+downUrl return downUrl
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
2. 下载论文
得到了论文的链接地址之后，只需要通过requests发送一个请求，即可将其下载：
def download_article(downUrl): ''' 根据论文链接下载文章 ---------------------- 输入：论文链接 ---------------------- 输出：PDF文件二进制 ''' headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:84.0) Gecko/20100101 Firefox/84.0', 'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8', 'Accept-Language':'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2', 'Accept-Encoding':'gzip, deflate, br', 'Connection':'keep-alive', 'Upgrade-Insecure-Requests':'1'} res = requests.get(downUrl, headers=headers) return res.content1234567891011121314151612345678910111213141516
二、完整代码
将上述两个函数整合之后，我的完整代码如下：
# -*- coding: utf-8 -*-'''Created on Tue Jan 5 16:32:22 2021@author: kimol_love'''import osimport timeimport requestsfrom bs4 import BeautifulSoupdef search_article(artName): ''' 搜索论文 --------------- 输入：论文名 --------------- 输出：搜索结果（如果没有返回''，否则返回PDF链接） ''' url = 'https://www.sci-hub.ren/' headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:84.0) Gecko/20100101 Firefox/84.0', 'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8', 'Accept-Language':'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2', 'Accept-Encoding':'gzip, deflate, br', 'Content-Type':'application/x-www-form-urlencoded', 'Content-Length':'123', 'Origin':'https://www.sci-hub.ren', 'Connection':'keep-alive', 'Upgrade-Insecure-Requests':'1'} data = {'sci-hub-plugin-check':'', 'request':artName} res = requests.post(url, headers=headers, data=data) html = res.text soup = BeautifulSoup(html, 'html.parser') iframe = soup.find(id='pdf') if iframe == None: # 未找到相应文章 return '' else: downUrl = iframe['src'] if 'http' not in downUrl: downUrl = 'https:'+downUrl return downUrl def download_article(downUrl): ''' 根据论文链接下载文章 ---------------------- 输入：论文链接 ---------------------- 输出：PDF文件二进制 ''' headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:84.0) Gecko/20100101 Firefox/84.0', 'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8', 'Accept-Language':'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2', 'Accept-Encoding':'gzip, deflate, br', 'Connection':'keep-alive', 'Upgrade-Insecure-Requests':'1'} res = requests.get(downUrl, headers=headers) return res.contentdef welcome(): ''' 欢迎界面 ''' os.system('cls') title = ''' _____ _____ _____ _ _ _ _ ____ / ____|/ ____|_ _| | | | | | | | _ \ | (___ | | | |______| |__| | | | | |_) | \___ \| | | |______| __ | | | | _ < ____) | |____ _| |_ | | | | |__| | |_) | |_____/ \_____|_____| |_| |_|\____/|____/ ''' print(title) if __name__ == '__main__': while True: welcome() request = input('请输入URL、PMID、DOI或者论文标题：') print('搜索中...') downUrl = search_article(request) if downUrl == '': print('未找到相关论文，请重新搜索！') else: print('论文链接：%s'%downUrl) print('下载中...') pdf = download_article(downUrl) with open('%s.pdf'%request, 'wb') as f: f.write(pdf) print('---下载完成---') time.sleep(0.8)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
不出所料，代码一跑，我便轻松完成了师姐交给我的任务，不香嘛？
写在最后
当然，我的代码仅供参考，小伙伴们完全可以根据自己的需要进行相应的调整和改动，这样才能更多地发挥其价值。
我是kimol君，咋们下次再会~