yizhixiaomi / haodf

好大夫在线问答爬取

好大夫的爬虫工具

Dependence（Python 3.6）

• BeautifulSoup
• selenium
• time
• datetime
• random
• pyprind
• pymysql

数据存储方式

包括四个表：all_url, QA, doctor, relative_qa。具体结构如图所示；

代码执行步骤

1. 配置ConnectDatabase.py中的数据库参数，与数据库建立链接；
2. 执行getHaodf.py，获取所有的URL，可以通过设置日期获取；

# 爬取文件开始日期
CURRENT_DATE = "20180714"
# 爬取文件结束日期
END_DATE = "20181231"

3. 获取每个URL的信息，好大夫的数据结构有很多种，目前发现了两种：{"class": "zzx_yh_stream"}和{"class": "f-card clearfix js-f-card"}，如果出现新的数据结构，需要重新编写。

# 解析QA
qa_list = 1
# 默认第一种解析方式{"class": "zzx_yh_stream"}
split_type = 1
qa_content_soups = soup.find_all("div", {"class": "zzx_yh_stream"})
# 第二种解析方式{"class": "f-card clearfix js-f-card"}
if len(qa_content_soups) == 0:
    split_type = 3
    print("第二种解析方式")
    qa_content_soups = soup.find_all("div", {"class": "f-card clearfix js-f-card"})
# 出现了新的网站结构。需要手动解析
if len(qa_content_soups) == 0:
    split_type = 5
    input("未知解析方式！")

4. 执行getContent.py。

更新信息

2019.06.21

• 为读取页面URL添加了进度条；
• 进行了1000个页面的测试；

2019.07.05

• 增加了多线程访问；
• 优化了代码结构；
• 增加了解析失败url的保存文档；
• 对已知大部分的url解析可能更新了状态；

209.07.12

• 增加了日志文件；
• 修复了部分数据存入数据库失败的BUG；
• 整合了存储部分的代码，减少数据库操作；