欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

利用爬虫获取网上医院药品价格信息 (上)

程序员文章站 2022-04-09 21:08:27
在对比医院业务数据中的各类药品价格的时候,面对着成千上百种的药品。因而想到使用爬虫来自动获取网上的药品价格,保存下来导入数据库中就可以方便地比较院方的药品采购价格了。 通过百度搜索“药品价格查询”,在众多的网站中,这里选择了药价查询网(http://www.china-yao.com/),主要是因为 ......

    在对比医院业务数据中的各类药品价格的时候,面对着成千上百种的药品。因而想到使用爬虫来自动获取网上的药品价格,保存下来导入数据库中就可以方便地比较院方的药品采购价格了。

    通过百度搜索“药品价格查询”,在众多的网站中,这里选择了药价查询网(http://www.china-yao.com/),主要是因为这个网站不需要用户注册就可以查询药品价格,另外查询结果显示界面比较简洁,编写爬虫较为省心。

    随便在该站点搜索药品“氟氯西林钠阿莫西林胶囊”,查看生成结果页面的源代码(如下):

<?php
$url=$_SERVER["PHP_SELF"];
if(strpos($url,"templet")){
    exit();
}else if(!isset($_SESSION['HTTP_REFERER'])){
    exit();
}
?><!DOCTYPE html>
<html>
···此处代码已省略···
<tbody>
<!--                    <tr>-->
<!--                        <td>氟氯西林钠阿莫西林胶囊</td>-->
<!--                        <td>Bangalore</td>-->
<!--                        <td>560001</td>-->
<!--                        <td>Tanmay</td>-->
<!--                        <td>Bangalore</td>-->
<!--                        <td>560001</td>-->
<!--                    </tr>-->
                    <tr>
                            <td>氟氯西林钠阿莫西林胶囊</td>
                            <td>胶囊剂</td>
                            <td>0.25g(0.125g/0.125g)*12</td>
                            <td>5.1                                               </td>
                            <td>37.3                                              </td>
                            <td>湖南中南科伦药业有限公司</td>
                        </tr><tr>
                            <td>氟氯西林钠阿莫西林胶囊</td>
                            <td>胶囊剂</td>
                            <td>0.25g(按氟氯西林0.125g,阿莫西林0.125g)*12</td>
                            <td>5.1</td>
                            <td>34.8</td>
                            <td>湖南中南科伦药业有限公司</td>
                        </tr>

···此处代码已省略···

<div class="col-xs-12 text-center">
                <ul class="pagination">
                    <li class="active"><a href="?act=search&typeid=1&keyword=氟氯西林钠阿莫西林胶囊&page=1">1</a></li><li><a href="?act=search&typeid=1&keyword=氟氯西林钠阿莫西林胶囊&page=2">2</a></li><li><a href="?act=search&typeid=1&keyword=氟氯西林钠阿莫西林胶囊&page=3">3</a></li>

··此处代码已省略···

从代码的第一行可以看出该站使用的是PHPurl为“http://www.china-yao.com/?act=search&typeid=1&keyword=%E6%B0%9F%E6%B0%AF%E8%A5%BF%E6%9E%97%E9%92%A0%E9%98%BF%E8%8E%AB%E8%A5%BF%E6%9E%97%E8%83%B6%E5%9B%8A”,其中“keyword=”后跟的是“氟氯西林钠阿莫西林胶囊”的utf8编码格式,该药品的价格信息比较多,总共有3页,点开第三页后,此时url变为“http://www.china-yao.com/?act=search&typeid=1&keyword=%E6%B0%9F%E6%B0%AF%E8%A5%BF%E6%9E%97%E9%92%A0%E9%98%BF%E8%8E%AB%E8%A5%BF%E6%9E%97%E8%83%B6%E5%9B%8A&page=3”,就是在原url地址的基础上增加了“&page=3”,其中数字3表示第三页。而页码数存在于代码(<ul class="pagination"> ······ </ul>)之间。很显然,我们只需要把url中“keyword=”和“&page=”后面的信息替换掉就可以组合出带有我们需要信息的页面的url。之后把生成的url进行utf8编码后发送给网站,生成带有查询结果的页面,筛选出(<tbody> ······ </tbody>)之间的信息进行保存。

    好了,了解到这些之后,下面我们就开始写代码了。

一、使用到的软件工具

Python 2.7

Eclipse

 

二、导入需要用到的模板

1 from bs4 import BeautifulSoup
2 import urllib2
3 from myLog import MyLog
4 import time
5 import xlwt
6 import csv
7 import random

其中myLog是一个自定义模板,其实就是对logging模板的简单格式化,代码如下:

 

 1 import logging
 2 import getpass
 3 import sys
 4     
 5 class MyLog(object):
 6     def __init__(self):
 7         self.user = getpass.getuser()
 8         self.logger = logging.getLogger(self.user)
 9         self.logger.setLevel(logging.DEBUG)
10         self.logFile = sys.argv[0][0:-3] + '.log'
11         self.formatter = logging.Formatter('%(asctime)-12s %(levelname)-8s %(name)-10s %(message)-12s\r\n')
12         self.logHand = logging.FileHandler(self.logFile, encoding='utf8')
13         self.logHand.setFormatter(self.formatter)
14         self.logHand.setLevel(logging.DEBUG)
15         self.logHandSt = logging.StreamHandler()
16         self.logHandSt.setFormatter(self.formatter)
17         self.logHandSt.setLevel(logging.DEBUG)
18         self.logger.addHandler(self.logHand)
19         self.logger.addHandler(self.logHandSt)
20     
21     def debug(self,msg):
22         self.logger.debug(msg)
23     
24     def info(self,msg):
25         self.logger.info(msg)
26     
27     def warn(self,msg):
28         self.logger.warn(msg)
29     
30     def error(self,msg):
31         self.logger.error(msg)
32     
33     def critical(self,msg):
34         self.logger.critical(msg)
35     
36 if __name__ == '__main__':
37     mylog = MyLog()

 

三、简单构建好框架,写出需要用到的主要函数和方法,代码如下:

 1 class Item(object):
 2     mc = None #名称
 3     jx = None #剂型
 4     gg = None #规格
 5     ghj = None #供货价
 6     lsj = None #零售价
 7     scqy = None #生成企业
 8         
 9 class GetInfor(object):
10     def __init__(self):
11         self.log = MyLog()
12         self.starttime = time.time()
13         self.log.info(u'爬虫程序开始运行,时间: %s' % time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(self.starttime)))
14         self.medicallist = self.getmedicallist('name.txt')
15         self.items = self.spider(self.medicallist)
16         self.pipelines_csv(self.items)
17         self.endtime = time.time()
18         self.log.info(u'爬虫程序运行结束,时间: %s' % time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(self.endtime)))
19         self.usetime = self.endtime - self.starttime
20         self.log.info(u'用时  %d时 %d分%d秒' % (self.usetime//3600,(self.usetime%3600)//60,(self.usetime%3600)%60))
21             
22     def getmedicallist(self,filename):
23         '''从文件name.txt中导出所有需要查询的药品的名称
24         '''
25         medicallist = []
26         with open(filename,'r') as fp:
27             s = fp.read()
28             for name in s.split():
29                 medicallist.append(name)
30         self.log.info(u'从文件%s 中读取药品名称成功!获取药品名称 %d 个' % (filename,len(medicallist)))
31         return medicallist
32             
33     def spider(self,names):
34         items = []
35         pass
36         return items
37                     
38     def pipelines_xls(self,medicallist):
39         pass
40             
41     def pipelines_csv(self,medicallist):
42         pass
43         
44     def getresponsecontent(self,url):
45         try:
46             response = urllib2.urlopen(url.encode('utf8'))
47         except:
48             self.log.error(u'返回 URL: %s 数据失败' % url)
49     return ''
50         else:
51             self.log.info(u'返回URL: %s 数据成功' % url)
52              return response
53     
54 if __name__ == '__main__':
55     GetInfor()            

  Item包含了网站查询结果中所含的元素,方便到时候用来提取数据。GetInfor为爬虫主程序。getmedicallist用来从文本“name.txt”中提取需要查询的药品名称(该文件是先从医院数据库中导出的医院所涉及到的药品名称),返回含有药品名称的列表。spider用于在网上爬取药品价格信息,将所有信息保存到列表items中,并返回。pipelines_xlspipelines_csv分别用于将保存下来的数据保存到xlscsv格式的文件中。getresponsecontentspider中分离出来主要是为了方便后期的扩展。

 

四、添加spider的代码

 

我们使用方法getmedicallist获取到所有需要查询的药品名称后,在这里通过变量names来读取,如下:

 

1 for name in names:
2     if name != '':
3         self.log.info(u'尝试爬取%s 信息' % name.decode('GBK'))
4         url = 'http://www.china-yao.com/?act=search&typeid=1&keyword='+name.decode('GBK')
5         htmlcontent = self.getresponsecontent(url)

 

不加“&page=n”的情况下,只返回查询结果第一页的信息。但查询结果总共有多少页?我们需要先提取出这个最大页数。

在页面代码

<ul class="pagination">
                        <li class="active"><a href="?act=search&typeid=1&keyword=氟氯西林钠阿莫西林胶囊&page=1">1</a></li><li><a href="?act=search&typeid=1&keyword=氟氯西林钠阿莫西林胶囊&page=2">2</a></li><li><a href="?act=search&typeid=1&keyword=氟氯西林钠阿莫西林胶囊&page=3">3</a></li>

的这一段之中,有我们需要的页码值,而我们只需要最后一页,也就是最大值。

 1 def spider(self,names):
 2     n = 1
 3     items = []
 4     for name in names:
 5         if name != '':
 6             url = 'http://www.china-yao.com/?act=search&typeid=1&keyword='+name.decode('GBK')
 7             htmlcontent = self.getresponsecontent(url)
 8             soup = BeautifulSoup(htmlcontent,'lxml')
 9             tagul = soup.find('ul',attrs={'class':'pagination'})
10             print tagul
11             tagpage = tagul.find_all('a')
12             for page in tagpage:
13                 print '###',page.get_text().strip()
14             n += 1
15             if n>15:
16                 Break #先简单测试下前15种药品是否能正常返回我们需要的页码数
17     return items

利用爬虫获取网上医院药品价格信息 (上)

从运行结果来看,效果还算满意,通过tagul.find_all('a')得到的列表最后一条基本都是结果页面最后一页的页码。但如果结果页面过多的时候,可以看到最后一页的页码不在列表的最后,而是处于列表的倒数第二行。修改增加如下代码,利用try来让程序自动选择提取最后一行还是倒数第二行。

 

1 if len(tagpage) == 0:
2     page = 0
3 else:
4     try:
5         page = int(tagpage[-1].get_text().strip())
6     except:
7         page = int(tagpage[-2].get_text().strip())

 

获取到最后一页查询结果的页码值后,我们就可以组合出完整的url地址了。遍历所有的url组合,提取出tbody之间的药品价格信息。方法spider的完整代码如下:

 

 1 def spider(self,names):
 2     items = []
 3     for name in names:
 4         if name != '':
 5             self.log.info(u'尝试爬取%s 信息' % name.decode('GBK'))
 6             url = 'http://www.china-yao.com/?act=search&typeid=1&keyword='+name.decode('GBK')
 7             htmlcontent = self.getresponsecontent(url)
 8             soup = BeautifulSoup(htmlcontent,'lxml')
 9             tagul = soup.find('ul',attrs={'class':'pagination'})
10             tagpage = tagul.find_all('a')
11             self.log.info(u'此药品信息共%d 页' % len(tagpage))
12             time.sleep(1)
13             if len(tagpage) == 0:
14                 page = 0
15             else:
16                 try:
17                     page = int(tagpage[-1].get_text().strip())
18                 except:
19                     page = int(tagpage[-2].get_text().strip())
20             for i in range(1,page+1):
21                 newurl = url+'&page='+str(i)
22                 newhtmlcontent = self.getresponsecontent(newurl)
23                 soup = BeautifulSoup(newhtmlcontent,'lxml')
24                 tagtbody = soup.find('tbody')
25                 tagtr = tagtbody.find_all('tr')
26                 self.log.info(u'该页面共有记录 %d 条,开始爬取' % len(tagtr))
27                 for tr in tagtr:
28                     tagtd = tr.find_all('td')
29                     item = Item()
30                     item.mc = tagtd[0].get_text().strip()
31                     item.jx = tagtd[1].get_text().strip()
32                     item.gg = tagtd[2].get_text().strip()
33                     item.ghj = tagtd[3].get_text().strip()
34                     item.lsj = tagtd[4].get_text().strip()
35                     item.scqy = tagtd[5].get_text().strip()
36                     items.append(item)
37                 self.log.info(u'页面%s 数据已保存' % newurl)
38                 sleeptime = random.randint(7,12)
39                 time.sleep(sleeptime)  #给程序适当降速,防止被服务器拦截
40             
41     self.log.info(u'数据爬取结束,共获取 %d条数据。' % len(items))        
42     return items    

 

 

 

五、保存收集到的数据

添加方法pipelinespipelines_xls和pipelines_csv的代码

 

 1 def pipelines_xls(self,medicallist):
 2     filename = u'西药药品价格数据.xls'.encode('GBK')
 3     self.log.info(u'准备保存数据到excel中...')
 4     book = xlwt.Workbook(encoding = 'utf8',style_compression=0)
 5     sheet = book.add_sheet(u'西药药品价格')
 6     sheet.write(0,0,u'名称'.encode('utf8'))
 7     sheet.write(0,1,u'剂型'.encode('utf8'))
 8     sheet.write(0,2,u'规格'.encode('utf8'))
 9     sheet.write(0,3,u'供货价'.encode('utf8'))
10     sheet.write(0,4,u'零售价'.encode('utf8'))
11     sheet.write(0,5,u'生产企业'.encode('utf8'))
12     for i in range(1,len(medicallist)+1):
13         item = medicallist[i-1]
14         sheet.write(i,0,item.mc)
15         sheet.write(i,1,item.jx)
16         sheet.write(i,2,item.gg)
17         sheet.write(i,3,item.ghj)
18         sheet.write(i,4,item.lsj)
19         sheet.write(i,5,item.scqy)
20     book.save(filename)
21     self.log.info(u'excel文件保存成功!')
22         
23 def pipelines_csv(self,medicallist):
24     filename = u'西药药品价格数据.csv'.encode('GBK')
25     self.log.info(u'准备保存数据到csv中...')
26     writer = csv.writer(file(filename,'wb'))
27     writer.writerow([u'名称'.encode('utf8'),u'剂型'.encode('utf8'),u'规格'.encode('utf8'),u'供货价'.encode('utf8'),u'零售价'.encode('utf8'),u'生产企业'.encode('utf8')])
28     for i in range(1,len(medicallist)+1):
29       item = medicallist[i-1]
30       writer.writerow([item.mc.encode('utf8'),item.jx.encode('utf8'),item.gg.encode('utf8'),item.ghj.encode('utf8'),item.lsj.encode('utf8'),item.scqy.encode('utf8')])
31     self.log.info(u'csv文件保存成功!')

 

至此,全部完成了,点击“运行”。

这里保存的是.csv格式,需要.xls格式的,只需要在__init__中把调用的方法pipelines_csv换成pipelines_xls即可。

当然目前还存在很多不足,

1、数据量过大的时候,单线程处理速度过慢。

2、方法getresponsecontent读取页面错误的情况下,没有进一步的处理。

3、没有使用代理,只是简单的利用timesleep函数进行简单的防拦截。

上述问题将在随后进行解决。

当然,有什么不当之处,欢迎大家批评指点~