用Python实现一个爬虫爬取ZINC网站进行生物信息学数据分析

　　最近接到实验室的导师交给我的一个任务，就是他们手头有很多smile表达式，格式类似这种：C(=C(c1ccccc1)c1ccccc1)c1ccccc1（这是生物信息学中表达小分子结构的一种常用表达式），他们需要对每个smile表达式在ZINC网站（生物信息学数据网站）上进行搜索，然后找到对应的ZINC号、小分子供应商、构象预测等信息。基本步骤如下：

 点击查找之后网页就会跳转到详细信息，我们需要获取它的ZINC号、小分子供应商、构象预测、CAS号等信息，如下：

 

 

 

 　　这一套流程要是靠人工手动完成的话有点不太现实，毕竟他们有一千多个这样的smile号，要是一个一个搞还不要累死，于是他们想到了我，想让我写一个爬虫来自动化提取出这些信息，一劳永逸。说实话我当时接到这个任务的时候毫不犹豫答应了下来，一来是我之前确实写过类似的程序，二来自己最近确实很闲，毕业论文搞得差不多了，每天没啥事打打王者一天的时间就浪费掉了，还不如接个任务，也算是练练手。废话不多说，直接开干。

　　在撸代码之前我们要先搞清楚几个问题，不能蛮干。首先我们要知道在我们输入smile号并点击搜索的时候，这个时候前端和后端服务器交互的过程是什么样的，也就是说前端到底给后端发送了什么样的HTTP请求。要知道我们一开始可是只输入了一个smile号，网页就直接跳转到了http://zinc15.docking.org/substances/ZINC000001758809/，这肯定是后台根据smile号查出ZINC号之后回应了一个重定向请求，猜想是这样，我们来看看实际情况。在浏览器中右键点击检查，查看在我们操作的过程中浏览器到底向后台发送了哪些请求。

 

 

从上图可以看到，我们一旦键入smile表达式之后，浏览器立马给后台发送了一个请求，然后网页显示出一个小分子的图像，很显然这个请求是为了获取小分子构象信息然后生成图片的，这个流程我们不做深究，我们要知道到底发送什么请求才能获得重定向后的地址，并拿到真正有用的网页。我们点击搜索，接着往下看：

在接下来的请求中，我们发现了一个关键请求（上图标红处），这个请求的响应体返回的是一个序列号，如下图：

不要小看这个序列号，虽然我也不知道它具体代表什么意思，但是后面的请求充分向我们说明了这个序列号的重要性，即后面需要smile表达式带上这个序列号一起发送一个HTTP请求，才能获取到那个关键的重定向网页，如下图：

 

　　到目前为止，这个网页的请求逻辑已经很清楚了，我们只需要利用python模仿浏览器发送同样的请求，首先获取这个inchikey序列号，然后通过这个序列号和smile表达式再次发起请求就能得到重定向的网址了，然后对这个重定向网址发起请求就能获得我们所需要的关键网页了，我们所需要的全部信息都包含在这个重定向后的网页里，然后只要解析这个html网页，从中提取出我们想要的信息就行了。思路已经很清晰了，可以撸代码了，具体Python代码如下：

 

  1 #coding=utf-8
  2 
  3 '''
  4 @Author: jeysin@qq.com
  5 @Date: 2019-6-1
  6 @Description: 
  7 1、程序运行环境为python2.7，在python3中不能运行。
  8 2、程序只会读取当前目录下名字为SMILE.txt的文件，运行前请先将包含smile表达式的文件命名为SMILE.txt后放在与本程序相同的目录下。
  9 3、程序执行结果会以当前时间命名放在当前目录下。
 10 4、程序运行快慢取决于SMILE.txt文件大小和当前网络状态，如果网络不通畅，程序会不断自动重试，请耐心等待。
 11 5、如果当前网络状态不通畅，重试50次之后仍不通会跳到下一个smile分析，并在另一个文件里记录下当前失败的smile，该文件命名为当前时间+unfinished。
 12 '''
 13 
 14 import os,sys
 15 import urllib
 16 import urllib2
 17 import json
 18 import time
 19 import re
 20 from HTMLParser import HTMLParser
 21 from datetime import datetime
 22 
 23 headers = {
 24             "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3",
 25             "Accept-Encoding": "gzip, deflate",
 26             "Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8",
 27             "Host": "zinc15.docking.org",
 28             "Referer": "http://zinc15.docking.org/substances/home/",
 29             "Upgrade-Insecure-Requests": "1",
 30             "Cookie": "_ga=GA1.2.1842270709.1559278006; _gid=GA1.2.1095204289.1559278006; _gat=1; session=.eJw9zLEKgzAQANBfKTd3qcRFcEgJBIdLQE7hbhFqW6pRC20hGPHf26nvA94G3XCFYoPDBQoQCjlm7YCzTDLWk6N2xBSi2CoKcXSzjGJ0zqkvYT9C_37du88z3JZ_gXP98MTJWY6eesXUKG85RwonTs3q6BzEyOQMrmirzCWtUJe_bv8CllwtkQ.D9Kh8w.M2p5DfE-_En2mAGby_xvS01rLiU",
 31             "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36"
 32             }
 33 
 34 #解析SEA Predictions
 35 def getSeaPredictions(html):
 36     seaPrediction = []
 37     begin = html.find("SEA Predictions", 0)
 38     if(begin == -1):
 39         return seaPrediction
 40     end = html.find("</tbody>", begin)
 41     left = html.find("<td>", begin)
 42     right = html.find("</td>", left)
 43     pattern = re.compile('>(.*?)<')
 44     while(right < end):
 45         str = html[left:right+5]
 46         str = str.replace("\n", "").replace("\t", "")
 47         str = ''.join(pattern.findall(str))
 48         str = str.strip()
 49         seaPrediction.append(' '.join(str.split()))
 50         left = html.find("<td>", right)
 51         right = html.find("</td>", left)
 52         if(left == -1 or right == -1):
 53             break
 54     return seaPrediction
 55 
 56 
 57 #解析CAS numbers
 58 def getCasNum(html):
 59     result = re.search("<dt>CAS Numbers</dt>", html)
 60     if(result == None):
 61         return "None"
 62     begin = result.span()[1]
 63     begin = html.find("<dd>", begin, len(html))
 64     begin = begin + 4
 65     end = html.find("</dd>", begin, len(html))
 66     if(begin + 1 >= end):
 67         return "None"
 68     str = html[begin:end]
 69     casNumList = re.findall('[0-9]+-[0-9]+-[0-9]+', str)
 70     if(casNumList == None):
 71         return "None"
 72     casNumStr = ""
 73     for i in range(len(casNumList)):
 74         casNumStr = casNumStr + casNumList[i]
 75         if(i != len(casNumList)-1):
 76             casNumStr = casNumStr + ","
 77     return casNumStr
 78 
 79 #定义一个新的Response类，不同的是，它的read方法是非阻塞的
 80 class Response:
 81     html = ''
 82     newUrl = ''
 83     def __init__(self, html, newUrl):
 84         self.html = html
 85         self.newUrl = newUrl
 86     def read(self):
 87         return self.html
 88     def geturl(self):
 89         return self.newUrl
 90 
 91 #重写urlopen()，增加超时重试机制，以免网络不好程序卡死
 92 def myUrlOpen(url):
 93     failCount = 0
 94     request = urllib2.Request(url, headers = headers)
 95     while True:
 96         try:
 97             if(failCount > 50):
 98                 return Response(None, None)
 99             print "Request: " + url
100             response = urllib2.urlopen(request, None, 10)
101             html = response.read()
102             #获取重定向url，因为有的函数要用到，所以这里统一获取一下，虽然并非所有网页都是重定向的，非重定向网页获取到的是原来的url
103             newUrl = response.geturl()
104             return Response(html, newUrl)
105             
106         except:
107             failCount = failCount + 1
108             time.sleep(2)
109             print "Retry, ",
110         else:
111             break
112 
113 #解析Vendors
114 def getVendors(html):
115     #获取More about字段结束的位置列表，在其附近查找Vendors
116     indexList = []
117     begin = 0
118     index = html.find("More about ", begin)
119     while(index != -1):
120         indexList.append(index + 11)
121         begin = index + 11
122         index = html.find("More about ", begin)
123     
124     vendors = []
125     pattern = re.compile('>(.*?)<')
126     for i in range(len(indexList)):
127         begin = indexList[i]
128         end = html.find('">', begin)
129         vendors.append(html[begin:end])
130         
131         begin = html.find("<td>", end)
132         end = html.find("</td>", begin)
133         str = html[begin:end+5]
134         vendors.append(''.join(pattern.findall(str)))
135         
136     return vendors
137 
138     
139 #从url中提取出zincNum
140 def getZincNumFromUrl(url):
141     begin = url.find("ZINC", 0)
142     end = url.find("/", begin)
143     return url[begin:end]            
144             
145 #解析ZINC号
146 def getZincNumFromHtml(html):
147     result = re.search("Permalink", html)
148     if result is None:
149         return None
150     else:
151         begin = result.span()[1]
152         while(html[begin] != '\n'):
153             begin = begin +1
154         begin = begin + 1
155         end = begin
156         while(html[end] != '\n'):
157             end = end + 1
158         zincNum = html[begin:end]
159         return zincNum.strip()            
160 
161 def getVendorsPage(url):
162     response = myUrlOpen(url)
163     html = response.read()
164     return html
165 
166 def getRedirectionUrlAndHtml(smile):
167     #获取Inchikey
168     encodeSmile = urllib.quote(smile, 'utf-8')
169     url = 'http://zinc15.docking.org/apps/mol/convert?from=' + encodeSmile + '&to=inchikey&onfail=error'
170     response = myUrlOpen(url)
171     inchikey = response.read()
172     if(inchikey == None):
173         return None, None
174     
175     #获取重定向网址和网页
176     url = 'http://zinc15.docking.org/substances/?highlight=' + encodeSmile + '&inchikey=' + inchikey + '&onperfect=redirect'
177     response = myUrlOpen(url)
178     newUrl = response.geturl()
179     html = response.read()
180     return newUrl, html
181     
182 #解析网页数据并写入文件
183 def parseHtmlAndWriteToFile(smile, zincNum, html1, html2, output):
184     print "ZINC number: " + zincNum
185     output.write("SMILE:\t" + smile + "\n")
186     output.write("ZINC number:\t" + zincNum + '\n')
187     
188     casNum = getCasNum(html1)
189     print "CAS numbers: " + casNum
190     output.write("CAS numbers:\t" + casNum + '\n')
191     
192     output.write('\n')
193     
194     vendors = getVendors(html2)
195     if(0 == len(vendors)):
196         print "Vendors:\tNone"
197         output.write("Vendors:\tNone\n")
198     else:
199         print "Vendors:\t"+str(len(vendors)/2)+" total"
200         output.write("Vendors:\t"+str(len(vendors)/2)+" total\n")
201         i = 0
202         while(i < len(vendors)-1):
203             output.write(vendors[i]+" | "+vendors[i+1]+"\n")
204             i = i + 2
205     
206     output.write('\n')
207     
208     seaPrediction = getSeaPredictions(html1)
209     if(0 == len(seaPrediction)):
210         print "SEA Prediction:\tNone"
211         output.write("SEA Prediction:\tNone\n")
212     else:
213         print "SEA Prediction:\t"+str(len(seaPrediction)/5)+" total"
214         output.write("SEA Prediction:\t"+str(len(seaPrediction)/5)+" total\n")
215         i = 0
216         while(i < len(seaPrediction)-4):
217             output.write(seaPrediction[i] + " | " + seaPrediction[i+1] + " | " + seaPrediction[i+2] + " | " + seaPrediction[i+3] + " | " + seaPrediction[i+4] +"\n")
218             i = i + 5
219     output.write('\n\n\n')
220     
221 def main():
222     inputFilename = "SMILE.txt"
223     currentTime = datetime.now().strftime('%Y-%m-%d-%H-%M-%S')
224     outputFilename =  currentTime + ".txt"
225     outputFilename2 = currentTime + "-unfinished.txt"
226     with open(inputFilename, "r") as input, open(outputFilename, "w") as output, open(outputFilename2, "w") as unfinished:
227         for line in input.readlines():
228             smile = line.strip()
229             print "SMILE:\t" + smile
230             
231             #获取重定向后的url和页面
232             newUrl, html1 = getRedirectionUrlAndHtml(smile)
233             if(newUrl == None or html1 == None):
234                 print "SMILE:\t" + smile + ", unfinished\n"
235                 unfinished.write(line)
236                 continue
237 
238             print newUrl
239             
240             zincNum = getZincNumFromHtml(html1)
241             if(zincNum == None):
242                 print "ZINC number:\tNone\n"
243                 output.write("SMILE:\t" + smile + "\n")
244                 output.write("ZINC number:\tNone\n")
245                 continue
246             
247             #获取包含Vendors的网页html2
248             url = newUrl + "catitems/subsets/for-sale/table.html"
249             html2 = getVendorsPage(url)
250             if(html2 == None):
251                 print "SMILE:\t" + smile + ", unfinished\n"
252                 unfinished.write(line)
253                 continue
254             
255             #当html1和html2都获取到的时候，开始解析它们并将数据写入文件
256             parseHtmlAndWriteToFile(smile, zincNum, html1, html2, output)
257             
258             print "\n"
259             
260 
261 if __name__ == "__main__":
262     main()

 

 

 以下是程序运行时截图：

 

 

最终抓取到的文本信息截图：

 

 完美解决问题！！！

 

这里总结一下写爬虫需要注意哪些问题：

1、要摸清楚网站前后端交互的逻辑，要明确知道你的爬虫需要哪些网页，哪些网页是包含关键信息的网页，我们应该怎样构造请求获取它们。逻辑清晰了，思路就有了，代码写起来就快了。

2、解析html文件的时候思路灵活一点，各种正则表达式和查询过滤操作可以混着来，解析html文件归根到底还是对于字符串的处理，尤其是不规范的html文件，更能考验编程功底。当然了，如果学习过xpath的话，那解析html就会容易得多了。

 

以上，可能是我大学在校期间做的最后一个项目了，四年的大学生活即将结束，感慨颇多。毕业之后即将走上工作岗位，心里既有一份期待也有一些焦虑，程序员这条道路我走得并不容易，希望以后一切顺利，共勉！

 

转载于:https://www.cnblogs.com/jeysin/p/10962316.html