使用python爬取MedSci上的期刊信息

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": "0",
    "impact_factor_s": "0",
    "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'
([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]+"
"
        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!'