用Python实现一个爬虫爬取ZINC网站进行生物信息学数据分析

　　最近接到实验室的导师交给我的一个任务，就是他们手头有很多smile表达式，格式类似这种：C(=C(c1ccccc1)c1ccccc1)c1ccccc1（这是生物信息学中表达小分子结构的一种常用表达式），他们需要对每个smile表达式在ZINC网站（生物信息学数据网站）上进行搜索，然后找到对应的ZINC号、小分子供应商、构象预测等信息。基本步骤如下：

 点击查找之后网页就会跳转到详细信息，我们需要获取它的ZINC号、小分子供应商、构象预测、CAS号等信息，如下：

 

 

 

 　　这一套流程要是靠人工手动完成的话有点不太现实，毕竟他们有一千多个这样的smile号，要是一个一个搞还不要累死，于是他们想到了我，想让我写一个爬虫来自动化提取出这些信息，一劳永逸。说实话我当时接到这个任务的时候毫不犹豫答应了下来，一来是我之前确实写过类似的程序，二来自己最近确实很闲，毕业论文搞得差不多了，每天没啥事打打王者一天的时间就浪费掉了，还不如接个任务，也算是练练手。废话不多说，直接开干。

　　在撸代码之前我们要先搞清楚几个问题，不能蛮干。首先我们要知道在我们输入smile号并点击搜索的时候，这个时候前端和后端服务器交互的过程是什么样的，也就是说前端到底给后端发送了什么样的HTTP请求。要知道我们一开始可是只输入了一个smile号，网页就直接跳转到了http://zinc15.docking.org/substances/ZINC000001758809/，这肯定是后台根据smile号查出ZINC号之后回应了一个重定向请求，猜想是这样，我们来看看实际情况。在浏览器中右键点击检查，查看在我们操作的过程中浏览器到底向后台发送了哪些请求。

 

 

从上图可以看到，我们一旦键入smile表达式之后，浏览器立马给后台发送了一个请求，然后网页显示出一个小分子的图像，很显然这个请求是为了获取小分子构象信息然后生成图片的，这个流程我们不做深究，我们要知道到底发送什么请求才能获得重定向后的地址，并拿到真正有用的网页。我们点击搜索，接着往下看：

在接下来的请求中，我们发现了一个关键请求（上图标红处），这个请求的响应体返回的是一个序列号，如下图：

不要小看这个序列号，虽然我也不知道它具体代表什么意思，但是后面的请求充分向我们说明了这个序列号的重要性，即后面需要smile表达式带上这个序列号一起发送一个HTTP请求，才能获取到那个关键的重定向网页，如下图：

 

　　到目前为止，这个网页的请求逻辑已经很清楚了，我们只需要利用python模仿浏览器发送同样的请求，首先获取这个inchikey序列号，然后通过这个序列号和smile表达式再次发起请求就能得到重定向的网址了，然后对这个重定向网址发起请求就能获得我们所需要的关键网页了，我们所需要的全部信息都包含在这个重定向后的网页里，然后只要解析这个html网页，从中提取出我们想要的信息就行了。思路已经很清晰了，可以撸代码了，具体Python代码如下：

 

#coding=utf-8

'''
@Author: jeysin@qq.com
@Date: 2019-6-1
@Description: 
1、程序运行环境为python2.7，在python3中不能运行。
2、程序只会读取当前目录下名字为SMILE.txt的文件，运行前请先将包含smile表达式的文件命名为SMILE.txt后放在与本程序相同的目录下。
3、程序执行结果会以当前时间命名放在当前目录下。
4、程序运行快慢取决于SMILE.txt文件大小和当前网络状态，如果网络不通畅，程序会不断自动重试，请耐心等待。
5、如果当前网络状态不通畅，重试50次之后仍不通会跳到下一个smile分析，并在另一个文件里记录下当前失败的smile，该文件命名为当前时间+unfinished。
'''

import os,sys
import urllib
import urllib2
import json
import time
import re
from HTMLParser import HTMLParser
from datetime import datetime

headers = {
            "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3",
            "Accept-Encoding": "gzip, deflate",
            "Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8",
            "Host": "zinc15.docking.org",
            "Referer": "http://zinc15.docking.org/substances/home/",
            "Upgrade-Insecure-Requests": "1",
            "Cookie": "_ga=GA1.2.1842270709.1559278006; _gid=GA1.2.1095204289.1559278006; _gat=1; session=.eJw9zLEKgzAQANBfKTd3qcRFcEgJBIdLQE7hbhFqW6pRC20hGPHf26nvA94G3XCFYoPDBQoQCjlm7YCzTDLWk6N2xBSi2CoKcXSzjGJ0zqkvYT9C_37du88z3JZ_gXP98MTJWY6eesXUKG85RwonTs3q6BzEyOQMrmirzCWtUJe_bv8CllwtkQ.D9Kh8w.M2p5DfE-_En2mAGby_xvS01rLiU",
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36"
            }

#解析SEA Predictions
def getSeaPredictions(html):
    seaPrediction = []
    begin = html.find("SEA Predictions", 0)
    if(begin == -1):
        return seaPrediction
    end = html.find("</tbody>", begin)
    left = html.find("<td>", begin)
    right = html.find("</td>", left)
    pattern = re.compile('>(.*?)<')
    while(right < end):
        str = html[left:right+5]
        str = str.replace("\n", "").replace("\t", "")
        str = ''.join(pattern.findall(str))
        str = str.strip()
        seaPrediction.append(' '.join(str.split()))
        left = html.find("<td>", right)
        right = html.find("</td>", left)
        if(left == -1 or right == -1):
            break
    return seaPrediction


#解析CAS numbers
def getCasNum(html):
    result = re.search("<dt>CAS Numbers</dt>", html)
    if(result == None):
        return "None"
    begin = result.span()[1]
    begin = html.find("<dd>", begin, len(html))
    begin = begin + 4
    end = html.find("</dd>", begin, len(html))
    if(begin + 1 >= end):
        return "None"
    str = html[begin:end]
    casNumList = re.findall('[0-9]+-[0-9]+-[0-9]+', str)
    if(casNumList == None):
        return "None"
    casNumStr = ""
    for i in range(len(casNumList)):
        casNumStr = casNumStr + casNumList[i]
        if(i != len(casNumList)-1):
            casNumStr = casNumStr + ","
    return casNumStr

#定义一个新的Response类，不同的是，它的read方法是非阻塞的
class Response:
    html = ''
    newUrl = ''
    def __init__(self, html, newUrl):
        self.html = html
        self.newUrl = newUrl
    def read(self):
        return self.html
    def geturl(self):
        return self.newUrl

#重写urlopen()，增加超时重试机制，以免网络不好程序卡死
def myUrlOpen(url):
    failCount = 0
    request = urllib2.Request(url, headers = headers)
    while True:
        try:
            if(failCount > 50):
                return Response(None, None)
            print "Request: " + url
            response = urllib2.urlopen(request, None, 10)
            html = response.read()
            #获取重定向url，因为有的函数要用到，所以这里统一获取一下，虽然并非所有网页都是重定向的，非重定向网页获取到的是原来的url
            newUrl = response.geturl()
            return Response(html, newUrl)
            
        except:
            failCount = failCount + 1
            time.sleep(2)
            print "Retry, ",
        else:
            break

#解析Vendors
def getVendors(html):
    #获取More about字段结束的位置列表，在其附近查找Vendors
    indexList = []
    begin = 0
    index = html.find("More about ", begin)
    while(index != -1):
        indexList.append(index + 11)
        begin = index + 11
        index = html.find("More about ", begin)
    
    vendors = []
    pattern = re.compile('>(.*?)<')
    for i in range(len(indexList)):
        begin = indexList[i]
        end = html.find('">', begin)
        vendors.append(html[begin:end])
        
        begin = html.find("<td>", end)
        end = html.find("</td>", begin)
        str = html[begin:end+5]
        vendors.append(''.join(pattern.findall(str)))
        
    return vendors

    
#从url中提取出zincNum
def getZincNumFromUrl(url):
    begin = url.find("ZINC", 0)
    end = url.find("/", begin)
    return url[begin:end]            
            
#解析ZINC号
def getZincNumFromHtml(html):
    result = re.search("Permalink", html)
    if result is None:
        return None
    else:
        begin = result.span()[1]
        while(html[begin] != '\n'):
            begin = begin +1
        begin = begin + 1
        end = begin
        while(html[end] != '\n'):
            end = end + 1
        zincNum = html[begin:end]
        return zincNum.strip()            

def getVendorsPage(url):
    response = myUrlOpen(url)
    html = response.read()
    return html

def getRedirectionUrlAndHtml(smile):
    #获取Inchikey
    encodeSmile = urllib.quote(smile, 'utf-8')
    url = 'http://zinc15.docking.org/apps/mol/convert?from=' + encodeSmile + '&to=inchikey&onfail=error'
    response = myUrlOpen(url)
    inchikey = response.read()
    if(inchikey == None):
        return None, None
    
    #获取重定向网址和网页
    url = 'http://zinc15.docking.org/substances/?highlight=' + encodeSmile + '&inchikey=' + inchikey + '&onperfect=redirect'
    response = myUrlOpen(url)
    newUrl = response.geturl()
    html = response.read()
    return newUrl, html
    
#解析网页数据并写入文件
def parseHtmlAndWriteToFile(smile, zincNum, html1, html2, output):
    print "ZINC number: " + zincNum
    output.write("SMILE:\t" + smile + "\n")
    output.write("ZINC number:\t" + zincNum + '\n')
    
    casNum = getCasNum(html1)
    print "CAS numbers: " + casNum
    output.write("CAS numbers:\t" + casNum + '\n')
    
    output.write('\n')
    
    vendors = getVendors(html2)
    if(0 == len(vendors)):
        print "Vendors:\tNone"
        output.write("Vendors:\tNone\n")
    else:
        print "Vendors:\t"+str(len(vendors)/2)+" total"
        output.write("Vendors:\t"+str(len(vendors)/2)+" total\n")
        i = 0
        while(i < len(vendors)-1):
            output.write(vendors[i]+" | "+vendors[i+1]+"\n")
            i = i + 2
    
    output.write('\n')
    
    seaPrediction = getSeaPredictions(html1)
    if(0 == len(seaPrediction)):
        print "SEA Prediction:\tNone"
        output.write("SEA Prediction:\tNone\n")
    else:
        print "SEA Prediction:\t"+str(len(seaPrediction)/5)+" total"
        output.write("SEA Prediction:\t"+str(len(seaPrediction)/5)+" total\n")
        i = 0
        while(i < len(seaPrediction)-4):
            output.write(seaPrediction[i] + " | " + seaPrediction[i+1] + " | " + seaPrediction[i+2] + " | " + seaPrediction[i+3] + " | " + seaPrediction[i+4] +"\n")
            i = i + 5
    output.write('\n\n\n')
    
def main():
    inputFilename = "SMILE.txt"
    currentTime = datetime.now().strftime('%Y-%m-%d-%H-%M-%S')
    outputFilename =  currentTime + ".txt"
    outputFilename2 = currentTime + "-unfinished.txt"
    with open(inputFilename, "r") as input, open(outputFilename, "w") as output, open(outputFilename2, "w") as unfinished:
        for line in input.readlines():
            smile = line.strip()
            print "SMILE:\t" + smile
            
            #获取重定向后的url和页面
            newUrl, html1 = getRedirectionUrlAndHtml(smile)
            if(newUrl == None or html1 == None):
                print "SMILE:\t" + smile + ", unfinished\n"
                unfinished.write(line)
                continue

            print newUrl
            
            zincNum = getZincNumFromHtml(html1)
            if(zincNum == None):
                print "ZINC number:\tNone\n"
                output.write("SMILE:\t" + smile + "\n")
                output.write("ZINC number:\tNone\n")
                continue
            
            #获取包含Vendors的网页html2
            url = newUrl + "catitems/subsets/for-sale/table.html"
            html2 = getVendorsPage(url)
            if(html2 == None):
                print "SMILE:\t" + smile + ", unfinished\n"
                unfinished.write(line)
                continue
            
            #当html1和html2都获取到的时候，开始解析它们并将数据写入文件
            parseHtmlAndWriteToFile(smile, zincNum, html1, html2, output)
            
            print "\n"
            

if __name__ == "__main__":
    main()

 

 

 以下是程序运行时截图：

 

 

最终抓取到的文本信息截图：

 

 完美解决问题！！！

 

这里总结一下写爬虫需要注意哪些问题：

1、要摸清楚网站前后端交互的逻辑，要明确知道你的爬虫需要哪些网页，哪些网页是包含关键信息的网页，我们应该怎样构造请求获取它们。逻辑清晰了，思路就有了，代码写起来就快了。

2、解析html文件的时候思路灵活一点，各种正则表达式和查询过滤操作可以混着来，解析html文件归根到底还是对于字符串的处理，尤其是不规范的html文件，更能考验编程功底。当然了，如果学习过xpath的话，那解析html就会容易得多了。

 

以上，可能是我大学在校期间做的最后一个项目了，四年的大学生活即将结束，感慨颇多。毕业之后即将走上工作岗位，心里既有一份期待也有一些焦虑，程序员这条道路我走得并不容易，希望以后一切顺利，共勉！