爬取论文网站NCBI论文标题以及摘要

from bs4 import BeautifulSoup  # 网页解析，获取数据
import re  # 正则表达式，进行文字匹配
import urllib.request,urllib.error  # 制定URL，获取网页数据
import xlwt  # 进行excel操作
import sqlite3  # 进行SQLlite数据库操作

# 论文编号规则
findLink = re.compile(r'<a class="docsum-title" data-article-id="(.*?)"')
# 爬取论文标题限制条件
findTitle = re.compile(r'<h1 class="heading-title">(.*?)</h1>', re.S)  # 创建正则表达式对象，表示规则（字符串模式）
# 爬取论文摘要限制条件
findAbstract = re.compile(r'<p>(.*?)</p>', re.S)

def main():
    baseurl = "https://pubmed.ncbi.nlm.nih.gov/?term=cardiovascular&page="
    # print(askURL(baseurl))
    # 1、爬取第一个网页网址
    address = getAddress(baseurl)
    # print(address)
    # 通过论文网址爬取出论文标题以及摘要
    datalist = []
    for url in address:
        html3 = askURL(url)
        # print(html3)
        soup = BeautifulSoup(html3, "html.parser")
        for item in soup.find_all('h1', class_="heading-title"):   # 获取标题
            data = []
            item = str(item)
            title = re.findall(findTitle, item)[0]
            title = re.sub('<br(\s+)?/>(\s+)?', " ", title)
            data.append(title.strip())
        for item1 in soup.find_all('div', class_="abstract-content selected" ):  # 获取摘要
            item1 = str(item1)
            abstract = re.findall(findAbstract, item1)[0]
            # if len(abstract) != 0 :
            data.append(abstract.strip())
            # else:
                # data.append("No abstract available")    # m没有概述就会为空，此时添加no abstract
        datalist.append(data)    # 每一个循环将data存的一篇论文的标题以及摘要放入datalist
    # print(datalist)
    savepath = "题目及摘要.xls"    # 文件名
    # 3、保存数据
    saveData(datalist, savepath)

# 爬取网页html文件
def askURL(url):
    head = {  # 模拟浏览器服务信息，向NCBI数据库服务器发送消息
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit/537.36(KHTML, likeGecko)Chrome / 105.0.0.0Safari / 537.36Edg / 105.0.1343.33"
    }

    request = urllib.request.Request(url=url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        # print(html)
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)

    return html

# 获取论文具体网址
def getAddress(baseurl):
    # datalist = []  # 存放爬取到的论文信息
    links = []    # 存放爬到的论文编号
    address = []  # 存放论文网址+编号
    html1 = ""   # 存放第一个网页的HTML信息
    html2 = ""    # 存放第二个网页的HTML信息
    for i in range(3, 4):  # 调用获取页面信息的函数，从第一页爬到第11页
        url1 = baseurl + str(i)
        html1 = askURL(url1)  # 保存获取到的一个网页源码
    # 2、逐一解析第一个网页数据
        soup = BeautifulSoup(html1, "html.parser")   # 解析上面获取到的HTML文件，形成树形结构数据，便于后面对所需字段筛选
        for wrap in soup.find_all('div', class_="docsum-wrap"):  # 查找符合要求的字符串，形成列表
            # print(wrap)    # 测试：查看论文wrap全部信息
            wrap = str(wrap)
            # 获取到论文的编号
            link = re.findall(findLink, wrap)[0]  # re库用来通过正则表达式查找指定的字符串，添加论文编号
            links.append(link)     # 每次爬到一个论文编号就把编号放到links列表中
        # print(links)
    # 获取到所有编号后，通过编号爬取编号所对应的论文信息
        for num in links:
            url2 = 'https://pubmed.ncbi.nlm.nih.gov/' + num   # 论文编号
            address.append(url2)
    return address

def saveData(datalist, savepath):
    book = xlwt.Workbook(encoding="utf-8", style_compression=0)  # 创建wookbook对象
    sheet = book.add_sheet('题目及摘要', cell_overwrite_ok=True)  # 创建工作表
    col = ('论文题目', '论文摘要')
    for i in range(0, 2):     # 将列名放入表格
        sheet.write(0, i, col[i])
    for i in range(len(datalist)):
        # print("写入第%d条数据" % i)
        data = datalist[i]
        if len(data) == 2:  # 有摘要的论文data=2，没有摘要的论文data=1
            for j in range(0, 2):
                sheet.write(i + 1, j, data[j])
        else:
            for j in range(0, 1):   # 没有摘要，只写第一项
                sheet.write(i + 1, j, data[j])
    book.save(savepath)

if __name__ == "__main__":  # 当程序执行时
    # 调用函数，
    main()
    print("爬取完毕")