Harvard dataverse数据库API批量下载教程

本文链接：https://blog.csdn.net/qq_51306571/article/details/136744208

介绍：使用python和SHELL语言对Harvard dataverse数据库中的数据集进行下载

一、数据集介绍：

Harvard Dataverse Harvard Dataverse由美国哈佛大学定量社会科学研究中心 (the Institute for Quantitative Social Science)和哈佛大学图书馆合作创立的社会科学数据库

二、Harvard dataverseAPI下载介绍

关于API下载数据：Data Access API — Dataverse.org

关于PYTHON下载：Client Libraries — Dataverse.org

三、API下载

1.获取API令牌、服务器URL和数据集的持久标识

1. API令牌：

登录官网：https://dataverse.harvard.edu/

2. 服务器URL：

服务器URL通常是Dataverse实例的网址，例如https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/VIJFPK

这个网站，URL就是https://dataverse.harvard.edu

3. 数据集的持久标识：

点击数据集页面上的“Cite”按钮，在弹出的窗口中可以看到数据集的持久标识（Persistent Identifier），通常以“doi:”开头，例如我下面要下载的数据doi.org/10.7910/DVN/VIJFPK，它对应的Persistent Identifier就是doi:10.7910/DVN/VIJFPK

也可以在HL中点击元数据metadata中查看Persistent Identifier

4. 下载数据的版本（针对Harvard dataverse）：

点击数据的version，可以查看可以下载的版本

2. 下载：

1. 官网例子：

export API_TOKEN=xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx
export SERVER_URL=https://demo.dataverse.org
export PERSISTENT_ID=doi:10.70122/FK2/N2XGBJ

curl -L -O -J -H "X-Dataverse-key:$API_TOKEN" $SERVER_URL/api/access/dataset/:persistentId/?persistentId=$PERSISTENT_ID

官网的例子是连接到一个测试网站的，不能直接使用，原因是：其中的SERVER_URL不是我们要的。

此时改对URL后部分小文件已经可以使用了，但对于大文件，即便我们写对了也可竟会出现重定位然后SHELL脚本中断的情况，我们可以在curl后加上-v输出它的运行情况，如下图出现重定位，可以直接wget这个新路径（以下为我的SHELL脚本，可以输出我们需要的URL，也可以直接在脚本里启动下载）：

export API_TOKEN=*****************************************
export SERVER_URL=https://dataverse.harvard.edu
export PERSISTENT_ID=doi:10.7910/DVN/VIJFPK
export VERSION=4.1

# 发起curl请求获取重定向链接
# Store the response headers in a variable
response=$(curl -s -D - -H "X-Dataverse-key:$API_TOKEN" --insecure "$SERVER_URL/api/access/dataset/:persistentId/versions/$VERSION?persistentId=$PERSISTENT_ID")

# Extract the redirect URL from the Location header
download_link=$(echo "$response" | grep -i 'Location' | awk '{print $2}')

echo $download_link

2. python下载：（支持重定位）

所需库：request

关键：request.get

request.get的API认证：有些API使用API密钥作为认证方式。API密钥通常作为请求头的一部分发送。

import requests 
url = 'http://example.com/api' 
api_key = 'your_api_key' 
headers = {'Authorization': f'Bearer {api_key}'} 
response = requests.get(url, headers=headers)

下载程序：

import requests

def check_server_availability(url):
    '''检查URL是否可以被正常访问'''
    try:
        response = requests.get(url)
        if response.status_code == 200:
            print(f'{url} 可以正常访问')
        else:
            print(f'{url} 访问失败，状态码：{response.status_code}')
    except requests.RequestException as e:
        print(f'发生异常：{e}')

# 设置API令牌、服务器URL和数据集的持久标识
API_TOKEN = '*************************************'
SERVER_URL = 'https://dataverse.harvard.edu'
PERSISTENT_ID = 'doi:10.7910/DVN/VIJFPK'#'doi:10.7910/DVN/G6X1ZS'#
VERSION = '4.1'#'1.0'#

check_server_availability(SERVER_URL)
# 构建API请求URL
url = f'{SERVER_URL}/api/access/dataset/:persistentId/versions/{VERSION}?persistentId={PERSISTENT_ID}'
# 发起GET请求下载数据集
response = requests.get(url, headers={'Authorization': f'Bearer {API_TOKEN}'},allow_redirects=False)#关闭重定位，否则会非常慢


if response.status_code == 303:
    '''需要重定位的进程'''#重新定位后直接request.get即可，不用再API验证
    redirect_url = response.headers['Location']
    print('重定向到，'+redirect_url)
    # 发起第二次请求，手动处理重定向
    response = requests.get(redirect_url, stream=True)
    if response.status_code == 200:
        print('正在储存文件')
        with open('/home/lyn/DATA/AH/AH2019.zip', 'wb') as file:
            for chunk in response.iter_content(chunk_size=1024):
                if chunk:  # 过滤掉保持连接的新块
                    file.write(chunk)
        print("文件下载成功，保存为: /home/lyn/DATA/AH/AH2019.zip")
    else:
        print(f"下载失败，状态码: {response.status_code}")


# 检查响应状态码
elif response.status_code == 200:
    '''不需要重定位的进程'''
    # 将响应内容写入文件
    print('请求成功,正在下载')
    with open('/home/lyn/DATA/AH/AH2019.zip', 'wb') as file:
        file.write(response.content)
    print('数据集下载成功！')
else:
    print(f"下载失败，状态码: {response.status_code}")

参考文章：

URL知识+curl命令解释Harvard Dataverse 数据批量下载_hydrowed下载数据-CSDN博客