使用python爬取MedSci上的影响因子排名靠前的文献

浏览数：57 / 时间：2015年06月08日

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：

 1 #!/usr/bin/python
 2 #coding=utf-8
 3 import urllib
 4 import urllib2
 5 import re
 6 import time
 7 
 8 global rank
 9 global num
10 url = ‘http://www.medsci.cn/sci/index.do?action=search‘
11 headers = {
12     ‘POST‘:url,
13     ‘Host‘:‘www.medsci.cn‘,
14     ‘Origin‘:‘http://www.medsci.cn‘,
15     "Referer":"http://www.medsci.cn/sci",
16     "User-Agent":"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 Safari/537.36",
17 }
18 value = {
19     "fullname": "",
20     "province": "医学",
21     "city": ‘‘,
22     "impact_factor_b": "0",
23     "impact_factor_s": "0",
24     "rank": "if_rank_b",
25     "Submit": "我要查询"
26 }
27 
28 def getData(impact):
29     value["impact_factor_b"] = impact
30     data = urllib.urlencode(value);
31     req = urllib2.Request(url, data)
32     for key in headers:
33         req.add_header(key, headers[key])
34     response = urllib2.urlopen(req)
35     html = response.read();
36     return html
37     
38 def saveData(html, rank):
39     r1 = re.findall(r‘_blank >([A-Z|\-|a-z|\s|\(|\)|&]*?)</a>‘, html);
40     r2 = re.findall(r‘<br>([A-Z|a-z|\-|\s|&|\(|\)]+?)</td>‘, html);
41     r3 = re.findall(r‘\n([0-9|.]+?)[\s|<]‘, html);
42     
43     le1 = len(r1)
44     le2 = len(r2)
45     le3 = len(r3)
46     le = le1
47     if le2 < le:
48         le = le2;
49     if le3 < le:
50         le = le3
51     
52     count = 0
53     flag = True
54     if le < 50:
55         flag = False
56     while count < le and rank < num:
57         rank += 1
58         #print ‘count:‘,count,‘, le:‘,le,‘, rank:‘,rank,",num:",num
59         str1 = str(rank)+","+r1[count]+","+r2[count]+","+r3[count]+"\n"
60         count += 1
61         f.write(str1)
62     
63     return r3[count-1], rank,flag   #return the last impact
64 
65 if __name__ == "__main__":
66     f = open("res.csv","w+")
67     impact = 0
68     rank = 0
69     num = 100
70     flag = True
71     while rank < num and flag:
72         html = getData(impact);
73         impact, rank, flag = saveData(html, rank);
74         print ‘already get data number:‘,rank
75         time.sleep(2);
76     f.close()
77     print ‘finished!‘