使用python爬取medsci上的期刊信息，通过设定条件，然后获取相应的期刊的的影响因子排名，期刊名称，英文全称和影响因子。主要过程如下：

首先，通过分析网站http://www.medsci.cn/sci的交互过程。可以使用谷歌或火狐浏览器的“审查元素-->Network”，然后就可以看到操作页面就可以看到网站的交互信息。当在网页上点击“我要查询”时，网页会发送一个POST消息给服务器，然后，服务器返回查询结果

然后，将查询到的结果使用正则表达式提取出需要的数据。

最后将提取出的数据输出到文件。

代码的关键在于分析POST数据报，找出需要发送到服务器的数据，以及HTTP的报文头的填写。

通过浏览器的“审查元素-->Network-->POST的链接-->Headers”，能够找到一个form Data的数据表格，这个数据表格保存着所有的查询条件。

在代码中通过对这些数据表格进行赋值，即可模拟浏览器发送post请求，然后将得到html代码。接下来只需对获取到的数据做进一步的处理即可。

代码中的部分变量做简单的说明：

num：表示要获取的期刊的数目

value中的参数保存着查询条件：每个子条件的参数名意义如下：

fullname：期刊关键字

province：期刊领域中的大类

city：期刊中的二级分类、

impact_factor_b：IF范围小于的值

impact_factor_s：IF范围大于的值

rank：排列方式

这个代码有个bug，当某个期刊的影响因子为空或未知时，则这个期刊必须要在最末的位置，否则代码就可能产生异常，并且在最后的结果不会输出影响因子未知的期刊。

代码如下：

1 #!/usr/bin/python

2 #coding=utf-8

3 importurllib4 importurllib25 importre6 importtime7

8 globalrank9 globalnum10 url = ‘http://www.medsci.cn/sci/index.do?action=search‘

11 headers ={12 ‘POST‘:url,13 ‘Host‘:‘www.medsci.cn‘,14 ‘Origin‘:‘http://www.medsci.cn‘,15 "Referer":"http://www.medsci.cn/sci",16 "User-Agent":"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 Safari/537.36",17 }18 value ={19 "fullname": "",20 "province": "医学",21 "city": ‘‘,22 "impact_factor_b": "0",23 "impact_factor_s": "0",24 "rank": "if_rank_b",25 "Submit": "我要查询"

26 }27

28 defgetData(impact):29 value["impact_factor_b"] =impact30 data =urllib.urlencode(value);31 req =urllib2.Request(url, data)32 for key inheaders:33 req.add_header(key, headers[key])34 response =urllib2.urlopen(req)35 html =response.read();36 returnhtml37

38 defsaveData(html, rank):39 r1 = re.findall(r‘_blank >([A-Z|\-|a-z|\s|\(|\)|&]*?)‘, html);40 r2 = re.findall(r‘
([A-Z|a-z|\-|\s|&|\(|\)]+?)‘, html);41 r3 = re.findall(r‘\n([0-9|.]+?)[\s|

43 le1 =len(r1)44 le2 =len(r2)45 le3 =len(r3)46 le =le147 if le2 <48 le="le2;49" if le3>

52 count =053 flag =True54 if le < 50:55 flag =False56 while count < le and rank <57 rank>

58 #print ‘count:‘,count,‘, le:‘,le,‘, rank:‘,rank,",num:",num

59 str1 = str(rank)+","+r1[count]+","+r2[count]+","+r3[count]+"\n"

60 count += 1

61 f.write(str1)62

63 return r3[count-1], rank,flag #return the last impact

64

65 if __name__ == "__main__":66 f = open("res.csv","w+")67 impact =068 rank =069 num = 100

70 flag =True71 while rank < num andflag:72 html =getData(impact);73 impact, rank, flag =saveData(html, rank);74 print ‘already get data number:‘,rank75 time.sleep(2);76 f.close()77 print ‘finished!‘

原文：http://www.cnblogs.com/liuwu265/p/4106979.html

57>48>