ESI文章详细信息获取

  每次ESI数据更新之后，有些文章是热点文章，有些文章是研究前沿，就如下图中的红框标示出来的一样。但这部分数据，主要是研究前沿的文章，在ESI导出的数据中看不到。所以需要想办法获取这部分数据。

获取数据

  观察发现，每次翻页，都会有下面这样的一个请求包被发送，并获得json格式的数据，因此我们只要照着它的请求方式发送请求，就能获得相应的数据。

  直接发请求是拿不到数据的，需要带上cookies。所以我用selenium模拟浏览器登录，然后获取cookies。在用requests发请求的时候，带上这个cookies就可以拿到json格式的数据。具体代码如下，需要输入自己的ESI帐号和密码。

# esi_article_info.py
import requests
import time
import pandas as pd
from selenium import webdriver

def get_cookies():
    driver = webdriver.Edge()
    driver.get("https://access.clarivate.com/login?app=esi")

    driver.find_element_by_xpath('//*[@id="mat-input-0"]').clear()
    driver.find_element_by_xpath('//*[@id="mat-input-0"]').send_keys("帐号") # 输入自己的ESI帐号
    driver.find_element_by_xpath('//*[@id="mat-input-1"]').clear()
    driver.find_element_by_xpath('//*[@id="mat-input-1"]').send_keys("密码") # 输入自己的ESI密码
    driver.find_element_by_xpath('//*[@id="signIn-btn"]').click()

    # 等待窗口响应
    time.sleep(10)
    # 获取登录后的cookies
    cookies = driver.get_cookies()
    # 关闭浏览器
    driver.close()
    # print(cookies)
    cookie = {}
    # 将cookies保存成字典格式
    for items in cookies:
        cookie[items.get("name")] = items.get("value")
    
    return cookie

# 学科列表，每个列表项用于添加到url中
subjectNameList = [
    'CLINICAL%20MEDICINE',
    'MULTIDISCIPLINARY',
    'CHEMISTRY',
    'MATERIALS%20SCIENCE',
    'ENGINEERING',
    'BIOLOGY%20%26%20BIOCHEMISTRY',
    'PHYSICS',
    'MOLECULAR%20BIOLOGY%20%26%20GENETICS',
    'NEUROSCIENCE%20%26%20BEHAVIOR',
    'ENVIRONMENT%2FECOLOGY',
    'SOCIAL%20SCIENCES%2C%20GENERAL',
    'PLANT%20%26%20ANIMAL%20SCIENCE',
    'GEOSCIENCES',
    'PSYCHIATRY%2FPSYCHOLOGY',
    'PHARMACOLOGY%20%26%20TOXICOLOGY',
    'IMMUNOLOGY',
    'AGRICULTURAL%20SCIENCES',
    'COMPUTER%20SCIENCE',
    'MICROBIOLOGY',
    'ECONOMICS%20%26%20BUSINESS',
    'SPACE%20SCIENCE',
    'MATHEMATICS'
]

# 先获取一次cookies
cookies = get_cookies()

for subjectName in subjectNameList:
    # 把学科名字转换成小写，用于文件名以及输出当前正在处理的学科
    nameLower = subjectName.replace('%20', ' ').replace('%26', '&').replace('%2F', '_').replace('%2C',',').lower()
    # 字典列表，用于存放获取的数据，每一个条目以字典形式保存，作为其中一个列表项
    dictLi = []
    # cnt 用于记录当前处理进度
    cnt = 1

    page = 0
    while True:
        start = page * 50
        page = page + 1
        requestUrl = "https://esi.clarivate.com/IndicatorsDataAction.action?type=documents&author=&researchField="+subjectName+"&institution=&journal=&territory=&article_UT=&researchFront=&articleTitle=&docType=Top&year=&page="+str(page)+"&start="+str(start)+"&limit=50&sort=%5B%7B%22property%22%3A%22citations%22%2C%22direction%22%3A%22DESC%22%7D%5D"
        
        # 尝试发送get请求，有时候如果cookies过期，可能会请求不到，所以需要重新获取cookies
        try:
            search_response = requests.get(requestUrl, cookies=cookies)
        except:
            cookies = get_cookies()

        # 如果页码超出了上限，会收到‘No results found’的响应，然后就可以退出while循环
        if search_response.text == 'No results found':
            break

        # 解析json格式数据
        re_text = search_response.json()
        list = re_text.get("data")
        # 保存这一页的数据到字典indDict中
        for item in list:
            indDict = {}
            for key, value in item.items():
                indDict[key] = value
            print(nameLower + ' ' + str(cnt)+" finished")
            cnt = cnt + 1
            dictLi.append(indDict)
        time.sleep(1)

    # dict转换成DataFrame并保存到excel里
    df = pd.DataFrame(dictLi)
    df.to_excel(nameLower + '.xlsx', index=False)

  用上面的脚本获取的每个学科的信息是单独存放的，一个学科一个文件。后面想把这些文件汇总成一个excel。为了区分每个文件的内容，我就新加了一列“subject”，用来记录学科名称，但后来发现这一步是多余的。

# merge.py
import pandas as pd
import os

# 列出当前目录下的所有文件
files = os.listdir()
# dfList是一个用于存放DataFrame的列表，一个DataFrame对应一个excel文件
dfList = []
for file in files:
    # 排除当前目录下的一些文件
    if ( file != 'merge.py') & ( file != 'merge.xlsx') & ( file != 'esi_article_Info.py'):
        print(file + ' is processing')

        # 读取excel文件
        df = pd.read_excel(file)

        # 在excel的最后一列加上表头为‘subject’的一列，并把当前学科的名字填进去
        # 这一步在这里其实是多余的
        # 获取的原始数据里有一个条目就是researchFieldName
        # 和这里添加的内容是相同的 
        df.insert(df.shape[1], 'Subject', file.split('.')[0])

        # 把修改后的DataFrame加入到dfList列表中
        dfList.append(df)

# 开始合成DataFrame
print('start merging')
alldata = pd.concat(dfList)
# 讲DataFrame的数据写入合成的excel
print('start writing')
alldata.to_excel('merge.xlsx', index=False, encoding='utf-8')

后续处理

  再来看一下我们获取的数据的信息：

• highimpact
• addresses
• sourceOfBIB
• articleId
• researchFieldName
• docTitle
• countries
• articleUT
• institutions
• researchFieldCode
• citations
• journal
• rowSeq
• DOI
• authors
• PMID
• researchFrontName
• hotpaper

  和我们从ESI直接导出的数据相比，这里的articleID实际上可以转换成Accession Number；这里的docTitle就是Article Name；这里的journal和sourceOfBIB构成了Source，sourceOfBIB里还包含了这篇文章发布的年份。所以用这种方式获取的数据能够完全包含直接从ESI导出的数据，并且还会多一些表征这篇文章是否是hot paper的信息和researchFrontName。
  最后导出的数据articleId和articleUT两列可能都会出现用科学计数法表示的情况，如果想要改成用文本的形式显示，可以用数据“分列”的方法。

  前两步可以直接点“下一步”，第三步选择列数据格式为“文本”，目标区域位置不用改，就是覆盖原来的数据。然后点击“完成”，数据就都会以“文本”的格式显示。