首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >知网数据实战:爬虫 + 网络分析打造论文关键词图谱

知网数据实战:爬虫 + 网络分析打造论文关键词图谱

原创
作者头像
小白学大数据
发布2026-06-11 16:49:13
发布2026-06-11 16:49:13
490
举报

CNKI(中国知网)是国内核心学术文献数据库,文献关键词、元数据、引文等信息可有效表征领域研究脉络与热点分布。基于采集数据开展关键词共现分析,能够量化挖掘领域研究主题、主题间关联关系与知识群落结构。本文基于 Playwright 实现知网动态页面数据采集,结合亿牛云固定转发代理规避 IP 封禁风险,依托 NetworkX 完成关键词共现网络建模,并通过 pyecharts 实现图谱可视化,形成一套完整的学术数据采集与网络分析技术方案。版权声明:知网文献内容受著作权相关法律法规保护,本文技术方案仅限个人学术研究场景使用,商用及公开传播数据需提前获得官方授权。一、整体技术架构与数据采集方案知网检索列表与论文详情页均采用 JS 异步渲染机制,无法通过静态请求直接解析数据。本次方案技术栈:Playwright(动态页面渲染)+ 代理服务(反封禁)+ 数据解析 + 关键词共现算法 + 图可视化。1.1 采集字段设计结合学术分析需求,确定采集字段、数据来源及业务用途如下:表格

字段

数据来源

核心用途

论文标题

论文详情页

文献唯一标识

作者 / 所属单位

论文详情页

科研合作网络分析

摘要

论文详情页

文本特征挖掘

关键词

论文详情页

共现网络核心节点

引用 / 被引数据

论文详情页

文献引证网络分析

1.2 环境依赖与代理配置1.2.2 代理选型与接入知网具备严格的访问风控策略,高频持续访问易触发 IP 限流、封禁。方案采用亿牛云固定转发代理适配浏览器自动化场景:代理 IP 有效时长 1~3 分钟,可覆盖单页面完整加载周期,配套海量 IP 池可支撑批量采集任务。代理标准接入地址:http://user:[email protected]:31111,通过 Chromium 启动参数全局配置代理,无需单次请求重复设置。二、核心代码实现2.1 数据实体与浏览器代理封装基于数据类统一管理论文实体,封装带反爬、代理能力的 Playwright 浏览器实例,关闭自动化特征以规避页面检测。python运行

代码语言:txt
复制
import asyncio
import json
import random
import time
import hashlib
from dataclasses import dataclass, field
from typing import Optional
from playwright.async_api import async_playwright

# 论文数据实体
@dataclass
class Paper:
    title: str = ""
    authors: list[str] = field(default_factory=list)
    orgs: list[str] = field(default_factory=list)
    abstract: str = ""
    keywords: list[str] = field(default_factory=list)
    year: str = ""
    source: str = ""
    cited_count: int = 0
    url: str = ""
    uid: str = ""

    def __post_init__(self):
        # 基于URL生成唯一摘要ID
        if not self.uid and self.url:
            self.uid = hashlib.md5(self.url.encode()).hexdigest()[:12]

# 集成代理与反检测的浏览器类
class CnkiBrowser:
    def __init__(self, proxy_user: str = "", proxy_pass: str = ""):
        self.proxy_user = proxy_user
        self.proxy_pass = proxy_pass
        self.use_proxy = bool(proxy_user and proxy_pass)
        self._playwright = None
        self.browser = None
        self.context = None
        self.page = None

    async def launch(self):
        # 浏览器启动参数:关闭自动化特征、沙箱
        launch_args = [
            "--disable-blink-features=AutomationControlled",
            "--no-sandbox",
        ]
        # 配置代理
        if self.use_proxy:
            proxy_addr = f"http://{self.proxy_user}:{self.proxy_pass}@t.16yun.cn:31111"
            launch_args.append(f"--proxy-server={proxy_addr}")

        self._playwright = await async_playwright().start()
        self.browser = await self._playwright.chromium.launch(
            headless=True, args=launch_args
        )
        # 初始化上下文与页面,配置UA、视口
        self.context = await self.browser.new_context(
            user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/125.0.0.0 Safari/537.36",
            viewport={"width": 1920, "height": 1080},
        )
        # 注入脚本清除webdriver特征
        await self.context.add_init_script("""
            Object.defineProperty(navigator, 'webdriver', { get: () => undefined });
        """)
        self.page = await self.context.new_page()
        return self.page

    async def close(self):
        # 资源释放
        if self.browser:
            await self.browser.close()
        if self._playwright:
            await self._playwright.stop()

2.2 检索与详情页数据采集实现关键词分页检索、论文 URL 提取、单篇文献全字段解析,增设随机请求间隔模拟人工访问,提升采集稳定性。python运行

代码语言:txt
复制
from bs4 import BeautifulSoup

class CnkiScraper:
    SEARCH_URL = "https://kns.cnki.net/kns8s/defaultresult/index"

    def __init__(self, browser: CnkiBrowser):
        self.b = browser

    async def search(self, keyword: str, max_pages: int = 5, delay: float = 4.0) -> list[str]:
        """关键词分页检索,提取论文详情页链接"""
        url_list = []
        for page in range(1, max_pages + 1):
            req_url = (
                f"{self.SEARCH_URL}?crossids=Zk0sMk1s&korder=SU"
                f"&kw={keyword}&boolsearch=false&pageNum={page}"
            )
            try:
                await self.b.page.goto(req_url, wait_until="networkidle", timeout=30000)
                await asyncio.sleep(delay + random.uniform(1, 3))
                html = await self.b.page.content()
                soup = BeautifulSoup(html, "html.parser")
                # 解析详情页链接
                link_items = soup.select("a[href*='abstract']")
                for link in link_items:
                    href = link.get("href", "")
                    full_url = f"https://kns.cnki.net{href}" if href.startswith("/") else href
                    if full_url not in url_list:
                        url_list.append(full_url)
                print(f"第{page}页采集完成,累计获取链接:{len(url_list)} 条")
                if not link_items:
                    break
            except Exception as e:
                print(f"第{page}页检索异常:{str(e)}")
                break
        return url_list

    async def fetch_papers(self, urls: list[str], delay: float = 3.0) -> list[Paper]:
        """批量采集论文详情数据"""
        paper_list = []
        for idx, url in enumerate(urls):
            try:
                paper = await self._fetch_single_paper(url)
                if paper.title:
                    paper_list.append(paper)
                    print(f"[{idx+1}/{len(urls)}] 采集成功:{paper.title[:30]},关键词数量:{len(paper.keywords)}")
            except Exception as e:
                print(f"[{idx+1}] 链接采集失败:{str(e)}")
            await asyncio.sleep(delay + random.uniform(0.5, 2))
        return paper_list

    async def _fetch_single_paper(self, url: str) -> Paper:
        """解析单篇论文全字段"""
        paper = Paper(url=url)
        await self.b.page.goto(url, wait_until="networkidle", timeout=30000)
        await asyncio.sleep(2)
        # 提取标题
        title_elem = await self.b.page.query_selector("h1")
        if title_elem:
            paper.title = (await title_elem.inner_text()).strip()
        # 页面JS批量提取结构化数据
        page_data = await self.b.page.evaluate("""
            () => {
                const res = {authors:[], orgs:[], abstract:'', keywords:[], year:'', source:'', cited:0};
                document.querySelectorAll('[class*="author"] a').forEach(a => {
                    let text = a.textContent.trim();
                    text && res.authors.push(text);
                });
                document.querySelectorAll('[class*="org"]').forEach(o => {
                    let text = o.textContent.trim();
                    text && text.length < 100 && res.orgs.push(text);
                });
                let absNode = document.querySelector('[class*="abstract"]');
                if(absNode) res.abstract = absNode.textContent.replace('摘要:', '').trim();
                document.querySelectorAll('[class*="keyword"] a').forEach(k => {
                    let text = k.textContent.trim();
                    text && text.length < 30 && res.keywords.push(text);
                });
                let dateNode = document.querySelector('[class*="date"]');
                if(dateNode){
                    let yearMatch = dateNode.textContent.match(/\d{4}/);
                    yearMatch && (res.year = yearMatch[0]);
                }
                return res;
            }
        """)
        paper.authors = page_data.get("authors", [])
        paper.orgs = page_data.get("orgs", [])
        paper.abstract = page_data.get("abstract", "")
        paper.keywords = page_data.get("keywords", [])
        paper.year = page_data.get("year", "")
        return paper

2.3 关键词共现网络建模基于共现规则构建无向图:同一篇文献中同时出现的两个关键词建立连接,共现频次作为边权重;结合节点频次、度中心性、社区划分完成多维分析。python运行

代码语言:txt
复制
from collections import defaultdict, Counter
from itertools import combinations
import networkx as nx

class KeywordCooccurrence:
    def __init__(self, papers: list[Paper]):
        self.papers = papers
        self.graph = nx.Graph()

    def build_graph(self, min_count: int = 2):
        """构建关键词共现网络,过滤低频次节点与边"""
        edge_weight = defaultdict(int)
        node_frequency = Counter()
        # 统计节点与共现边权重
        for paper in self.papers:
            kw_list = list(set(k.strip() for k in paper.keywords if k.strip()))
            node_frequency.update(kw_list)
            for pair in combinations(sorted(kw_list), 2):
                edge_weight[pair] += 1
        # 筛选Top50高频关键词作为节点
        top_nodes = dict(node_frequency.most_common(50))
        for kw, cnt in top_nodes.items():
            self.graph.add_node(kw, count=cnt)
        # 筛选有效边
        for (kw1, kw2), weight in edge_weight.items():
            if kw1 in self.graph.nodes and kw2 in self.graph.nodes and weight >= min_count:
                self.graph.add_edge(kw1, kw2, weight=weight)
        print(f"共现网络构建完成 | 节点数:{self.graph.number_of_nodes()},边数:{self.graph.number_of_edges()}")
        return self.graph

    def get_top_keywords(self, top_n: int = 20) -> list:
        """获取频次TopN关键词"""
        return sorted(self.graph.nodes(data=True), key=lambda x: x[1].get("count", 0), reverse=True)[:top_n]

    def get_degree_centrality(self, top_n: int = 15) -> list:
        """计算度中心性,识别枢纽关键词"""
        centrality = nx.degree_centrality(self.graph)
        return sorted(centrality.items(), key=lambda x: -x[1])[:top_n]

    def detect_community(self) -> dict:
        """Louvain算法划分研究子主题群落"""
        from networkx.algorithms.community import louvain_communities
        communities = louvain_communities(self.graph, seed=42)
        result = {}
        for idx, comm in enumerate(communities):
            if len(comm) >= 3:
                result[f"子主题{idx+1}"] = list(comm)
        return result

2.4 网络图谱可视化基于 pyecharts 实现交互式图谱渲染,节点大小关联关键词出现频次,边粗细映射共现强度,支持节点拖拽交互。python运行

代码语言:txt
复制
from pyecharts import options as opts
from pyecharts.charts import Graph

class GraphVisualizer:
    def render_html(self, graph, output_name="keyword_graph.html", min_weight=2, max_nodes=50):
        """生成共现图谱HTML文件"""
        # 筛选核心节点
        core_nodes = sorted(graph.nodes, key=lambda n: graph.nodes[n].get("count", 0), reverse=True)[:max_nodes]
        # 构造节点数据
        nodes = []
        for node in core_nodes:
            nodes.append({
                "name": node,
                "symbolSize": 15 + graph.degree(node) * 3,
                "value": graph.nodes[node].get("count", 0)
            })
        # 构造边数据
        links = []
        for u, v, attr in graph.edges(data=True):
            if u in core_nodes and v in core_nodes and attr.get("weight", 0) >= min_weight:
                links.append({
                    "source": u,
                    "target": v,
                    "value": attr.get("weight", 1),
                    "lineStyle": {"width": min(attr.get("weight", 1), 8)}
                })
        # 初始化图表
        chart = (
            Graph(init_opts=opts.InitOpts(width="1400px", height="900px"))
            .add(
                series_name="",
                nodes=nodes,
                links=links,
                repulsion=2000,
                is_draggable=True,
                label_opts=opts.LabelOpts(is_show=True, font_size=12)
            )
            .set_global_opts(
                title_opts=opts.TitleOpts(
                    title="领域研究热点关键词共现图谱",
                    subtitle="节点大小=关键词出现频次 | 连线粗细=关键词共现强度"
                )
            )
        )
        chart.render(output_name)
        print(f"可视化图谱已生成:{output_name}")

2.5 端到端调度流程串联检索、采集、分析、可视化全流程,统一调度各模块并输出分析结果。python运行

代码语言:txt
复制
async def run_task(keyword: str = "深度学习", max_papers: int = 100):
    # 初始化浏览器(填入你的代理账号密码)
    browser = CnkiBrowser(proxy_user="your_user", proxy_pass="your_password")
    await browser.launch()
    scraper = CnkiScraper(browser)
    # 1. 检索论文链接
    print("===== 开始检索文献 =====")
    url_list = (await scraper.search(keyword, max_pages=8))[:max_papers]
    # 2. 批量采集文献数据
    print("\n===== 开始采集文献详情 =====")
    paper_data = await scraper.fetch_papers(url_list, delay=3.0)
    print(f"文献采集完成,有效数据量:{len(paper_data)} 篇")
    # 3. 关键词共现分析
    print("\n===== 构建关键词共现网络 =====")
    analyzer = KeywordCooccurrence(paper_data)
    graph = analyzer.build_graph(min_count=2)
    # 输出Top关键词
    print("\n===== 高频关键词TOP20 =====")
    for kw, info in analyzer.get_top_keywords(20):
        print(f"{info['count']:>4} 次 | {kw}")
    # 输出主题群落
    print("\n===== 研究子主题群落 =====")
    community_data = analyzer.detect_community()
    for name, members in community_data.items():
        print(f"{name}(共{len(members)}个关键词):{', '.join(members[:5])}")
    # 4. 生成可视化图谱
    visual = GraphVisualizer()
    visual.render_html(graph, f"graph_{keyword}.html", min_weight=2, max_nodes=50)
    # 释放资源
    await browser.close()
if __name__ == "__main__":
    asyncio.run(run_task(keyword="深度学习", max_papers=100))

三、代理接入要点说明适配性优势:固定转发代理 IP 有效期 1~3 分钟,匹配 Playwright 页面完整加载时长,避免 IP 切换导致请求中断;海量 IP 池可支撑规模化采集。接入方式:本方案基于 Chromium 启动参数全局配置代理,适用于浏览器自动化场景;若使用requests/aiohttp等同步请求库,可通过Proxy-Tunnel请求头动态切换 IP。异常排查:出现407错误时,优先校验代理账号、密码有效性。四、输出结果解读运行程序后将生成交互式 HTML 图谱,结合数据输出可完成领域分析:核心节点:图谱中尺寸最大的节点为领域主流研究关键词;关联强度:连线越粗,代表两个关键词在文献中共同出现频次越高,主题关联越紧密;群落划分:算法自动划分的子主题,对应领域下不同细分研究方向。五、常见问题与优化方案检索无结果 / 访问被拦截 优化:校验 UA 与反检测脚本有效性,延长请求间隔至 4s 以上;结合代理服务降低风控触发概率,必要时引入 Cookie 池。关键词字段为空 原因:知网页面迭代导致选择器失效。优化:通过浏览器开发者工具重新定位 DOM 节点,更新页面解析选择器。图谱结构杂乱 优化:缩小检索关键词范围、提高共现频次阈值、减少展示节点数量。文本乱码 优化:知网部分页面采用 GBK 编码,可引入编码检测库自动适配解码格式。六、方案边界与注意事项采集规模:建议单任务采集量控制在 100~200 篇,高频批量采集仍需严格控制请求频率,规避风控。合规要求:本技术仅用于个人学术研究,严禁未经授权抓取、传播、商用知网文献数据。分析局限性:关键词共现仅表征关联关系,无法推导因果逻辑;节点中心性仅代表主题枢纽性,不等同于研究价值高低。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 [email protected] 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 [email protected] 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档