利用爬虫获取网上医院药品价格信息 （上）
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PHP，url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_xls和pipelines_csv分别用于将保存下来的数据保存到xls和csv格式的文件中。getresponsecontent从spider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
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time的sleep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~
