3

たとえば、サイエンスダイレクトから記事を自動的にダウンロードしようとしています：

url = 'http://www.sciencedirect.com/science/article/pii/S1053811913010240'

ブラウザで問題なく記事にアクセスできますが、Python のrequests、urllib2およびmechanizeモジュールを使用してみましたが、成功しませんでした。多くの記事をダウンロードする必要があるため、手動で行うことはできません。

Wgetも機能しません。

例えば

wget http://www.sciencedirect.com/science/article/pii/S1053811913010240

戻り値：

HTTP request sent, awaiting response... 404 Not Found

問題は何でしょうか？

4

2 に答える 2

2

Web サーバーがユーザー エージェントを好まないため、機能していない可能性があります。一括ダウンロードをブロックしようとしている可能性があります。

でユーザー エージェントを指定するとwget、機能します。あなたの例を使用するには。

wget -U "Mozilla/5.0" "https://www.sciencedirect.com/science/article/pii/S1053811913010240"
于 2013-10-18T18:24:57.593 に答える
1

pyscholar から動作するように変更したコードをいくつか紹介します。

#!/usr/bin/python
#author: Bryan Bishop <kanzure@gmail.com>
#date: 2010-03-03
#purpose: given a link on the command line to sciencedirect.com, download the associated PDF and put it in "sciencedirect.pdf" or something
import os
import re
import pycurl
#from BeautifulSoup import BeautifulSoup
from lxml import etree
import lxml.html
from StringIO import StringIO
from string import join, split

user_agent = "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.1.5) Gecko/20091123 Iceweasel/3.5.5 (like Firefox/3.5.5; Debian-3.5.5-1)"

def interscience(url):
    '''downloads the PDF from sciencedirect given a link to an article'''
    url = str(url)
    buffer = StringIO()

    curl = pycurl.Curl()
    curl.setopt(curl.URL, url)
    curl.setopt(curl.WRITEFUNCTION, buffer.write)
    curl.setopt(curl.VERBOSE, 0)
    curl.setopt(curl.USERAGENT, user_agent)
    curl.setopt(curl.TIMEOUT, 20)
    curl.perform()
    curl.close()

    buffer = buffer.getvalue().strip()
    html = lxml.html.parse(StringIO(buffer))

    pdf_href = []
    for item in html.getroot().iter('a'):
        if (('id' in item.attrib) and  ('href' in item.attrib) and item.attrib['id']=='pdfLink'):
            pdf_href.append(item.attrib['href'])


    pdf_href = pdf_href[0]
    #now let's get the article title

    title_div = html.find("head/title")
    paper_title = title_div.text
    paper_title = paper_title.replace("\n", "")
    if paper_title[-1] == " ": paper_title = paper_title[:-1]
    re.sub('[^a-zA-Z0-9_\-.() ]+', '', paper_title)
    paper_title = paper_title.strip()
    paper_title = re.sub(' ','_',paper_title)

    #now fetch the document for the user
    command = "wget --user-agent=\"pyscholar/blah\" --output-document=\"%s.pdf\" \"%s\"" % (paper_title, pdf_href)
    os.system(command)
    print "\n\n"

interscience("http://www.sciencedirect.com/science/article/pii/S0163638307000628")
于 2014-01-18T01:51:37.013 に答える