Python爬虫练习(二)爬取NCBI pubmed搜索结果doi号并进行文献下载(requests+xpath+正则)

继上文的requests+正则解析https://www.jianshu.com/p/c4c041459f58,接下来使用requests+re+xpath解析。用pubmed的高级搜索不知道为什么,比如用关键字1 关键字2搜索,总是会有缺少一个关键字的情况,就算用AND连接也是这样,给文献的搜索造成了很大的麻烦,所以就用爬虫提取关键字都出现的结果的doi号然后调用sci-hub地址下载。
用法:运行代码。然后输入关键字,如"human evolution" "mammalia“,这是两个关键字,用双引号圈起来,如果你输入human evolution mammlia不加双引号,那么human evolution将不会紧密连在一起搜索,这是三个关键字。接下来确认下载的文件夹,输入y或者n确认是否直接下载pdf还是将下载地址写入download_url.txt这个文件。后续也许还会写爬取Google学术的类似类,也会放到这个module里面,会同时更新到我的github上https://github.com/ijustwanthaveaname/web-crawler/blob/main/%E7%AC%AC%E4%BA%8C%E7%AB%A0%EF%BC%9Arequest%E6%A8%A1%E5%9D%97%E5%9F%BA%E7%A1%80/searchpaper.py

import requests
import re
import os
from lxml import etree


class Searchpubmed:
    def __init__(self, term):
        self.__term = term
        self.__headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 \
              (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36"
        }
        self.url = "https://pubmed.ncbi.nlm.nih.gov/"
        self.__size, self.__page = 200, 1
        self.__param = {}
        self.param = {
            "term": self.__term,
            "size": self.__size,
            "page": self.__page
        }
        self.__doi, self.__doi_list, self.__down_url = [], [], []
        self.__response, self.__page_text, self.__step_num, self.__results_amount, \
        self.__tree, self.__snippet, self.__citation, self.__title = [None]*8

    def get_text(self, url, param):
        self.__response = requests.get(url=url, params=param, headers=self.__headers)
        self.__page_text = self.__response.text
        return self.__page_text

    @staticmethod
    def __format_text(xpathelement):
        xpathelement = "".join(xpathelement.xpath(".//text()")).replace("<b>", "").replace("</b>", "").lower()
        return xpathelement

    def get_doi(self, page_text):
        self.__tree = etree.HTML(page_text)
        self.__title = self.__tree.xpath("//div[@class='docsum-content']/a")
        self.__snippet = self.__tree.xpath("//div[@class='full-view-snippet']")
        self.__citation = self.__tree.xpath("//span[@class='docsum-journal-citation full-journal-citation']")
        for title, snippet, citation in zip(self.__title, self.__snippet, self.__citation):
            title = self.__format_text(title)
            snipper = self.__format_text(snippet)
            searchtext = title + snipper
            self.__doi = re.search(r"""(doi: (10\..*?)\. )|(doi: (10\.\S+)\.$)""", citation.xpath("./text()")[0])
            self.__doi = [self.__doi.group(2) if self.__doi.group(2) else self.__doi.group(4)] if self.__doi else []
            for kw in self.__term:
                if kw.lower() in searchtext:
                    continue
                else:
                    self.__doi = []
                    break
            self.__doi_list += self.__doi
        return self.__doi_list

    def get_allpagedoi(self, page_text):
        print("Processing Page1")
        self.__results_amount = int(re.search(r"""<span class="value">(\d+(?:,?\d+)?)</span>.*?results""", page_text,
                                            re.DOTALL).group(1).replace(",", ""))
        self.get_doi(page_text)
        if self.__results_amount % 200 == 0:
            self.__step_num = self.__results_amount / 200 - 1
        else:
            self.__step_num = self.__results_amount // 200
        if self.__step_num:
            for page in range(2, self.__step_num + 2):
                print(f"Processing Page{page}")
                self.__size = 200
                self.__page = page
                self.__param = {
                    "term": self.__term,
                    "size": self.__size,
                    "page": self.__page
                }
                self.__page_text = self.get_text(url=self.url, param=self.__param)
                self.get_doi(self.__page_text)
        return self.__doi_list

    def scihuburl(self, doi_list):
        for doi in doi_list:
            self.__down_url.append(r"https://sci.bban.top/pdf/"+doi+".pdf")
        return self.__down_url

    @staticmethod
    def getpdf(down_url, path="./", direct=False):
        downloadpath = os.path.join(path, "download_url.txt")
        if os.path.isfile(downloadpath) and not direct:
            os.remove(downloadpath)
        for doiurl in down_url:
            if direct:
                r = requests.get(url=down_url)
                with open(os.path.join(path, os.path.basename(doiurl)), "wb") as f:
                     f.write(r.content)
            else:
                with open(downloadpath, "a") as u:
                    u.write(doiurl + "\n")


if __name__ == "__main__":
    term = input("Please input your keywords: ")
    if '"' in term:
        term = [i for i in term.split('"') if i not in ("", " ")]
    else:
        term = term.split(" ")
    downloaddir= input("Please specify the directory for downloading: ")
    direct = input("Do you want to download the pdf directly?[y/n]")
    while direct not in ["y", "n"]:
        print("You only can input y or n!")
        direct = input("Do you want to download the pdf directly?[y/n]")
    direct = True if direct == "y" else False
    getpub = Searchpubmed(term)
    page_text = getpub.get_text(getpub.url, getpub.param)
    doi_list = getpub.get_allpagedoi(page_text)
    down_url = getpub.scihuburl(doi_list)
    getpub.getpdf(down_url, downloaddir, direct)
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,029评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,395评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,570评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,535评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,650评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,850评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,006评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,747评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,207评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,536评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,683评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,342评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,964评论 3 315
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,772评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,004评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,401评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,566评论 2 349