科研材料的写作在很大程度上不是靠个人感性知识的输出，而通常是基于大量相关材料和信息的汇总。在涉及一个新的领域时，缺乏对概念的认知和理解，也缺少对应的学习材料，这限制了任务的及时完成。本文给出了一个有效解决这些问题的策略，包括如何快速的收集中文文献，如何从收集的大量素材中提取有用信息，进而针对性地通过对这些信息的学习提高写作的水平。

1 文献收集

收集文献的目的是构建句子库，需要平文本。从语言种类上，文献包含少量的中文和大量的英文文献。通常使用的格式的PDF，英文PDF转平文本相对容易的多，而中文则极不理想。幸运的是，部分中文期刊官网提供HTML全文查看，这些就解决了中文PDF下载繁琐和转换困难的问题。HTML全文查看并不是要一条一条的复制粘贴，有效率更好的方法，人称“爬虫”。爬虫就是用程序循环访问相关网页并抽取需要的内容。爬虫用到的语言有多种，由于我偏重于R而且只会这个，所以下面给一个抓取林业一级核心《林业科学》的示例。在一级核心刊物上发表文章不是一件非常容易的事，所以刊发的文章在用词、表达和逻辑上还是能够代表国内的顶级水平的，是比较合适的学习材料。目前《林业科学》、《农业科学》和《遗传》等提供近几年的全文，足够了。

分2层执行，底层是每篇文章，其网址依赖于上层卷目录中的信息
上层代码如下

# 加载包
library(rvest)
library(tidyverse)
# 2014-2018 指定要爬取的url
不显示

底层代码（一个函数）

不显示

抓到的内容