求助:爬取学术数据库中论文的 abstract 做研究 - V2EX
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
请不要在回答技术问题时复制粘贴 AI 生成的内容
lushl9301
V2EX    程序员

求助:爬取学术数据库中论文的 abstract 做研究

  •  
  •   lushl9301
    lushl9301 2015-05-28 09:55:42 +08:00 4616 次点击
    这是一个创建于 3812 天前的主题,其中的信息可能已经有所发展或是发生改变。

    最近在做分析一些医学研究论文的abstract的project。
    一直在用PubMed这个数据库,因为能把搜索结果下载为包含很多信息的txt文档(其中就包含了abstract),直接处理这个文档就能得出很多有用的信息。
    然而,这个数据库毕竟偏向医学研究一些,如果我们想查阅一些关于传感器或者什么运动数据测量的时候,这个数据库能查到的信息偏少
    该数据库地址: http://www.ncbi.nlm.nih.gov/pubmed
    我写的一个分析abstract的小工具地址: https://github.com/lushl9301/PubMed-Text-Mining-Tool (写的渣渣,就是拿来用用。。。)

    于是我和导师考虑,说不定爬取Google scholar的会不会好一点?

    发现Google scholar仅仅提供了一些论文的作者信息,被多少次引用等等,对于文章内容只有一些简单摘要。这些摘要是跟据搜索关键词给出的一些片段,远不如abstract。

    其他什么ACM,IEEE都没有提供合适的获取abstract方式。

    考虑使用爬虫直接爬取的话,会被ban什么的。Google也会给你robot test。

    所以在这里想请教小伙伴,能否提一些建议呢?帮忙支支招 ^_^

    6 条回复    2016-05-24 16:38:03 +08:00
    lushl9301
        1
    lushl9301  
    OP
       2015-05-28 10:01:17 +08:00
    发完贴后,在“最热”板块,哗哗哗的往下掉= =
    ichou
        2
    ichou  
       2015-05-28 10:11:22 +08:00
    不会因为访问量太大 导致数据库方暂停账户服务么? 要是用的学校的公用帐号,哇咔咔~ 写检讨什么的爽歪歪~
    binux
        3
    binux  
       2015-05-28 10:17:53 +08:00   1
    lushl9301
        4
    lushl9301  
    OP
       2015-05-28 10:50:13 +08:00
    @ichou 这个会的。。。所以尽量不用学校网络,不登陆去爬取吧。。。
    lushl9301
        5
    lushl9301  
    OP
       2015-05-28 10:52:34 +08:00
    @binux 哇。。这是pyspider爬取的?
    我记得我还看到过。。。
    谢谢。。。这就去看看
    cangbaotu
        6
    cangbaotu  
       2016-05-24 16:38:03 +08:00
    推荐你使用神箭手云爬虫,分布式的爬虫框架。官方很给力!
    关于     帮助文档     自助推广系统     博客     API     FAQ     Solana     2992 人在线   最高记录 6679       Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 31ms UTC 13:13 PVG 21:13 LAX 05:13 JFK 08:13
    Do have faith in what you're doing.
    ubao msn snddm index pchome yahoo rakuten mypaper meadowduck bidyahoo youbao zxmzxm asda bnvcg cvbfg dfscv mmhjk xxddc yybgb zznbn ccubao uaitu acv GXCV ET GDG YH FG BCVB FJFH CBRE CBC GDG ET54 WRWR RWER WREW WRWER RWER SDG EW SF DSFSF fbbs ubao fhd dfg ewr dg df ewwr ewwr et ruyut utut dfg fgd gdfgt etg dfgt dfgd ert4 gd fgg wr 235 wer3 we vsdf sdf gdf ert xcv sdf rwer hfd dfg cvb rwf afb dfh jgh bmn lgh rty gfds cxv xcv xcs vdas fdf fgd cv sdf tert sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf shasha9178 shasha9178 shasha9178 shasha9178 shasha9178 liflif2 liflif2 liflif2 liflif2 liflif2 liblib3 liblib3 liblib3 liblib3 liblib3 zhazha444 zhazha444 zhazha444 zhazha444 zhazha444 dende5 dende denden denden2 denden21 fenfen9 fenf619 fen619 fenfe9 fe619 sdf sdf sdf sdf sdf zhazh90 zhazh0 zhaa50 zha90 zh590 zho zhoz zhozh zhozho zhozho2 lislis lls95 lili95 lils5 liss9 sdf0ty987 sdft876 sdft9876 sdf09876 sd0t9876 sdf0ty98 sdf0976 sdf0ty986 sdf0ty96 sdf0t76 sdf0876 df0ty98 sf0t876 sd0ty76 sdy76 sdf76 sdf0t76 sdf0ty9 sdf0ty98 sdf0ty987 sdf0ty98 sdf6676 sdf876 sd876 sd876 sdf6 sdf6 sdf9876 sdf0t sdf06 sdf0ty9776 sdf0ty9776 sdf0ty76 sdf8876 sdf0t sd6 sdf06 s688876 sd688 sdf86