Python爬虫练习（一）：爬取NCBI pubmed搜索结果doi号并进行文献下载（requests+正则解析）

爬虫是python的强项，也是其热门应用领域，有很多完善成熟的爬虫模块/库，像是scrapy、selenium、beautifulsoup，以及简易的urlib、requests。今天就是介绍一下怎么用requests简单爬取pubmed的文献搜索结果并进行批量下载全部搜索结果（当然前提是给出了doi号），已经将关键代码进行了注释，只需要运行代码，然后输入你的搜索关键词，用空格隔开，即可自动获得doi号并且从sci-hub地址下载文献（下载到你的当前文件夹），不过。。。由于网速原因，python去下载确实有点不太安全，因为也不好断点续传什么的。。。所以我把sci-hub的对应pdf下载地址还写入到了一个文件里，复制粘贴到迅雷里即可下载，这样做的话可以直接把代码段中直接下载pdf那段注释掉。

import requests
import re
import os
if __name__ == "__main__":
    # UA伪装
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 \
        (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36"
    }
    # 设定pubmed的url，以及搜索关键词，从用户端空格隔开输入
    url = "https://pubmed.ncbi.nlm.nih.gov/"
    term = input("Please input your keyword: ").split(" ")
    # pubmed一页显示的结果数量
    size = 200
    # 结果页码号
    page = 1
    param = {
        "term": term,
        "size": size,
        "page": page
    }
    doi_list = []
    # 发送请求
    response = requests.get(url=url, params=param, headers=headers)
    page_text = response.text
    # 得到结果总数量
    results_amount = int(re.search(r"""(\d+(?:,?\d+)?).*?results""", page_text,
                                   re.DOTALL).group(1).replace(",", ""))
    # 正则获得doi号 
    doi_list += re.findall(r"""doi: (10\..*?)\.[ <]""", page_text)
    # 模拟翻页，将剩余pages中的doi号提取
    if results_amount % 200 == 0:
        step_num = results_amount / 200 - 1
    else:
        step_num = results_amount // 200
    if step_num:
        for page in range(2, step_num+2):
            size = 200
            page = page
            param = {
                "term": term,
                "size": size,
                "page": page
            }
            response = requests.get(url=url, params=param, headers=headers)
            page_text = response.text
            doi_list += re.findall(r"""doi: (10\..*?)\.[ <]""", page_text)

    # 从sci-hub下载
    for doi in doi_list:
        down_url = r"https://sci.bban.top/pdf/"+doi+".pdf"
        # 将下载地址写入文件
        with open(r"./down_url.txt", "a") as u:
            u.write(down_url+"\n")
        r = requests.get(url=down_url)
        # 直接下载pdf
        with open(f"./{os.path.basename(down_url)}", "wb") as f:
            f.write(r.content)