基于python对doi号通过sci-hub进行pubmed中的文献下载

最新推荐文章于 2025-03-01 00:42:53 发布

胡小姜

最新推荐文章于 2025-03-01 00:42:53 发布

阅读量2k

点赞数 3

分类专栏： python 文章标签： python 开发语言

本文链接：https://blog.csdn.net/weixin_56577499/article/details/127042455

版权

python 专栏收录该内容

4 篇文章

订阅专栏

本文介绍了一种使用Python脚本批量下载PubMed数据库中指定DOI号的学术文献的方法。通过读取Excel文件中的DOI列表，利用Sci-Hub等平台获取文献PDF，并将其保存至本地文件夹。文中提供了完整的代码示例及注意事项。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

基于python对doi号进行pubmed中的文献下载

文档准备

1.构建你的检索式,以AD为例，搜索出的结果选择
2.创建文档

构建你的检索式

代码展示

import requests
import re
import os
import urllib.request
import openpyxl

# headers 保持与服务器的会话连接
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36',
}

headers 获取
在这里插入图片描述

'''
根据doi，找到文献的pdf，然后下载到本地
'''


def getPaperPdf(url):
    pattern = '/.*?\.pdf'
    content = requests.get(url, headers=headers)
    download_url = re.findall(pattern, content.text)
    # print(download_url)
    download_url[1] = "https:" + download_url[1]
    print(download_url[1])
    path = r"papers"
    if os.path.exists(path):
        pass
    else:
        os.makedirs(path)

    # 使用 urllib.request 来包装请求
    req = urllib.request.Request(download_url[1], headers=headers)
    # 使用 urllib.request 模块中的 urlopen方法获取页面
    u = urllib.request.urlopen(req, timeout=5)

    file_name = download_url[1].split('/')[-2] + '%' + download_url[1].split('/')[-1]
    f = open(path + '/' + file_name, 'wb')

    block_sz = 8192
    while True:
        buffer = u.read(block_sz)
        if not buffer:
            break
        f.write(buffer)
    f.close()
    print("Sucessful to download" + " " + file_name)


'''
将表格放在代码保存和运行的路径内，将wb变量内的'***.xlsx'改为自己的excel文件名,
最后下载的论文在该路径下新建的papers文件夹内
'''
wb = openpyxl.load_workbook('D:\pythonProject\doi.xlsx')
# doi在sheet1中
Sheet1 = wb['Sheet1']
# 读取第*列(doi号在的那一列)

'''
修改代码内，excel中doi所在列，比如在k列，所以col_range变量后面的字符改为‘k’
'''
col_range = Sheet1['K']
# 也可以读取其中的第几行：row_range = sheet1[2:6]
fails = []     #应该在搜索查询打印到一个.txt文件中

在这里插入图片描述
从pubmed下载下来的CSV格式文档另存为python文件目录下的.xlsx格式，第K行就是doi号了

下面通过sci-hub进行下载

for col in col_range:  # 打印dio列单元格中的值内容
    doi = col.value
    print(doi)
    if __name__ == '__main__':
        sci_Hub_Url = "https://sci-hub.ren/"
        paper_url = sci_Hub_Url + doi
        print(paper_url)
        nmm = 0
        try:
            getPaperPdf(paper_url)        # 通过文献的url下载pdf
            continue
        except Exception:
            nmm = 1
            print("Failed to get pdf 1")
            if nmm == 1:
                try:
                    sci_Hub_Url_2 = "https://sci-hub.se/"
                    paper_url_2 = sci_Hub_Url_2 + doi
                    getPaperPdf(paper_url_2)

                    continue
                except Exception:
                    print("Failed to get pdf 2")

记得下载之前先登录一下sci-hub网站进行测试，如果打不开请更新最新的sci-hub网址

最后获取下载失败文献的doi号

# 获取下载失败的doi
print(fails)

因为是通过sci-hub进行下载的所以代码运行结束会有很多无法下载的doi号
又无法通过pubmed官网进行爬取，
所以只能手动检测一遍，输入到pubmed上进行下载获取。

最后完整代码为

import requests
import re
import os
import urllib.request
import openpyxl

# headers 保持与服务器的会话连接
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/536.36',
}

'''
根据doi，找到文献的pdf，然后下载到本地
'''


def getPaperPdf(url):
    pattern = '/.*?\.pdf'
    content = requests.get(url, headers=headers)
    download_url = re.findall(pattern, content.text)
    # print(download_url)
    download_url[1] = "https:" + download_url[1]
    print(download_url[1])
    path = r"papers"
    if os.path.exists(path):
        pass
    else:
        os.makedirs(path)

    # 使用 urllib.request 来包装请求
    req = urllib.request.Request(download_url[1], headers=headers)
    # 使用 urllib.request 模块中的 urlopen方法获取页面
    u = urllib.request.urlopen(req, timeout=5)

    file_name = download_url[1].split('/')[-2] + '%' + download_url[1].split('/')[-1]
    f = open(path + '/' + file_name, 'wb')

    block_sz = 8192
    while True:
        buffer = u.read(block_sz)
        if not buffer:
            break
        f.write(buffer)
    f.close()
    print("Sucessful to download" + " " + file_name)


'''
将表格放在代码保存和运行的路径内，将wb变量内的'***.xlsx'改为自己的excel文件名,
最后下载的论文在该路径下新建的papers文件夹内
'''
wb = openpyxl.load_workbook('D:\pythonProject\doi.xlsx')
# doi在sheet1中
Sheet1 = wb['Sheet1']
# 读取第*列(doi号在的那一列)

'''
修改代码内，excel中doi所在列，比如在k列，所以col_range变量后面的字符改为了‘k’
'''
col_range = Sheet1['K']
# 也可以读取其中的第几行：row_range = sheet1[2:6]
fails = []     #应该在搜索查询打印到一个.txt文件中

              # 加入SCI-hub网址进行下载
for col in col_range:  # 打印dio列单元格中的值内容
    doi = col.value
    print(doi)
    if __name__ == '__main__':
        sci_Hub_Url = "https://sci-hub.ren/"
        paper_url = sci_Hub_Url + doi
        print(paper_url)
        nmm = 0
        try:
            getPaperPdf(paper_url)        # 通过文献的url下载pdf
            continue
        except Exception:
            nmm = 1
            print("Failed to get pdf 1")
            if nmm == 1:
                try:
                    sci_Hub_Url_2 = "https://sci-hub.se/"
                    paper_url_2 = sci_Hub_Url_2 + doi
                    getPaperPdf(paper_url_2)

                    continue
                except Exception:
                    print("Failed to get pdf 2")
        # if nmm == 1:
        #     try:
        #         sci_Hub_Url_3 = "https://sci-hub.st/"
        #         paper_url_3 = sci_Hub_Url_3 + doi
        #         getPaperPdf(paper_url_3)
        #         continue
        #     except Exception:
        #         print("Failed to get pdf 3")
        # if nmm == 1:
        #     try:
        #         sci_Hub_Url_4 = "https://sci-hub.shop/"
        #         paper_url_4 = sci_Hub_Url_4 + doi
        #         getPaperPdf(paper_url_4)
        #         continue
        #     except Exception:
        #         print("Failed to get pdf 4")
        # if nmm == 1:
        #     try:
        #         sci_Hub_Url_5 = "https://sci-hub.shop/"
        #         paper_url_5 = sci_Hub_Url_5 + doi
        #         getPaperPdf(paper_url_5)
        #         continue
        #     except Exception:
        #         print("Failed to get pdf 5")
        # if nmm == 1:
        #     try:
        #         sci_Hub_Url_6 = "https://libgen.ggfwzs.net/"
        #         paper_url_6 = sci_Hub_Url_6 + doi
        #         getPaperPdf(paper_url_6)
        #         continue
        #     except Exception:
        #         print("Failed to get pdf 6")
        #         fails.append(doi)
        # if nmm == 1:
        #     try:
        #         sci_Hub_Url_7 = "https://sci-hub.do/"
        #         paper_url_7 = sci_Hub_Url_7 + doi
        #         getPaperPdf(paper_url_7)
        #         continue
        #     except Exception:
        #         print("Failed to get pdf 7")
# 获取下载失败的doi
print(fails)