使用python爬取MedSci上的期刊信息

时间：2021-11-13 06:20:02

使用python爬取medsci上的期刊信息，通过设定条件，然后获取相应的期刊的的影响因子排名，期刊名称，英文全称和影响因子。主要过程如下：

首先，通过分析网站http://www.medsci.cn/sci的交互过程。可以使用谷歌或火狐浏览器的“审查元素-->Network”，然后就可以看到操作页面就可以看到网站的交互信息。当在网页上点击“我要查询”时，网页会发送一个POST消息给服务器，然后，服务器返回查询结果

然后，将查询到的结果使用正则表达式提取出需要的数据。

最后将提取出的数据输出到文件。

代码的关键在于分析POST数据报，找出需要发送到服务器的数据，以及HTTP的报文头的填写。

通过浏览器的“审查元素-->Network-->POST的链接-->Headers”，能够找到一个form Data的数据表格，这个数据表格保存着所有的查询条件。

在代码中通过对这些数据表格进行赋值，即可模拟浏览器发送post请求，然后将得到html代码。接下来只需对获取到的数据做进一步的处理即可。

代码中的部分变量做简单的说明：

num：表示要获取的期刊的数目

value中的参数保存着查询条件：每个子条件的参数名意义如下：

fullname：期刊关键字

province：期刊领域中的大类

city：期刊中的二级分类、

impact_factor_b：IF范围小于的值

impact_factor_s：IF范围大于的值

rank：排列方式

这个代码有个bug，当某个期刊的影响因子为空或未知时，则这个期刊必须要在最末的位置，否则代码就可能产生异常，并且在最后的结果不会输出影响因子未知的期刊。

代码如下：

 #!/usr/bin/python

 #coding=utf-8

 import urllib

 import urllib2

 import re

 import time

 global rank

 global num

 url = 'http://www.medsci.cn/sci/index.do?action=search'

 headers = {

     'POST':url,

     'Host':'www.medsci.cn',

     'Origin':'http://www.medsci.cn',

     "Referer":"http://www.medsci.cn/sci",

     "User-Agent":"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 Safari/537.36",

 }

 value = {

     "fullname": "",

     "province": "医学",

     "city": '',

     "impact_factor_b": "",

     "impact_factor_s": "",

     "rank": "if_rank_b",

     "Submit": "我要查询"

 }

 def getData(impact):

     value["impact_factor_b"] = impact

     data = urllib.urlencode(value);

     req = urllib2.Request(url, data)

     for key in headers:

         req.add_header(key, headers[key])

     response = urllib2.urlopen(req)

     html = response.read();

     return html

 def saveData(html, rank):

     r1 = re.findall(r'_blank >([A-Z|\-|a-z|\s|\(|\)|&]*?)</a>', html);

     r2 = re.findall(r'<br>([A-Z|a-z|\-|\s|&|\(|\)]+?)</td>', html);

     r3 = re.findall(r'\n([0-9|.]+?)[\s|<]', html);

     le1 = len(r1)

     le2 = len(r2)

     le3 = len(r3)

     le = le1

     if le2 < le:

         le = le2;

     if le3 < le:

         le = le3

     count = 0

     flag = True

     if le < 50:

         flag = False

     while count < le and rank < num:

         rank += 1

         #print 'count:',count,', le:',le,', rank:',rank,",num:",num

         str1 = str(rank)+","+r1[count]+","+r2[count]+","+r3[count]+"\n"

         count += 1

         f.write(str1)

     return r3[count-1], rank,flag   #return the last impact

 if __name__ == "__main__":

     f = open("res.csv","w+")

     impact = 0

     rank = 0

     num = 100

     flag = True

     while rank < num and flag:

         html = getData(impact);

         impact, rank, flag = saveData(html, rank);

         print 'already get data number:',rank

         time.sleep(2);

     f.close()

     print 'finished!'

相关文章