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 ^_^
1
lushl9301 OP 发完贴后,在“最热”板块,哗哗哗的往下掉= =
|
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~
|
3
binux 2015-05-28 10:17:53 +08:00 1
我这有一份 sciencedirect 的 http://demo.pyspider.org/results?project=js_test_sciencedirect
|
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!
|