作为生物信息学领域的数据工程师，近期在为蛋白质相互作用预测AI大模型构建训练集时，我面临着从PDB、UniProt等学术数据库获取高质量三维结构、序列及功能注释数据的核心挑战。通过综合运用反爬对抗技术，成功突破了数据库的速率限制、验证码验证等反爬机制，将数据采集效率提升4倍，为蛋白质-配体结合预测模型训练提供了包含10万+条有效数据的基础数据集，提高了该模型预测的准确性。
本文结合生物医药数据特点，分享如何构建支撑AI模型训练的高质量生物分子数据集，从基础采集到反爬优化的完整技术实现路径。
一、学术数据库反爬机制分析
1.1 典型反爬策略
● 速率限制：PDB对同一IP设置500req/h的请求限制
● CAPTCHA验证：UniProt对高频请求触发Google Recaptcha
● 请求指纹识别：STRING要求必须使用浏览器User-Agent
● 动态渲染内容：RCSB PDB的结构数据需执行JavaScript加载
1.2 生物医药数据特性
● 数据格式复杂：包含XML/MMCIF/TSV等多种格式
● 结构验证严格：蛋白质三维结构数据需通过验证工具检查
● 合规要求高：需遵守《赫尔辛基宣言》等学术伦理规范
二、基础数据采集实现
2.1 环境配置
# Python环境 conda create -n bio-crawler python=3.10 conda activate bio-crawler pip install biopython requests beautifulsoup4 selenium # Java环境 mvn dependency:add -DgroupId=org.jsoup -DartifactId=jsoup -Dversion=1.17.2
2.2 基础采集代码
# PDB结构数据采集 def fetch_pdb_structure(pdb_id): url = f"https://www.rcsb.org/structure/{pdb_id}" headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64)"} response = requests.get(url, headers=headers) if response.status_code == 200: soup = BeautifulSoup(response.text, "html.parser") structure_data = soup.find("pre", id="mmcif") if structure_data: with open(f"{pdb_id}.cif", "w") as f: f.write(structure_data.text) return True return False
2.3 原始采集结果
pdb_ids = ["1A2B", "3C4D", "5E6F"] for pdb_id in pdb_ids: print(f"Fetching {pdb_id}: {fetch_pdb_structure(pdb_id)}") # 输出结果： Fetching 1A2B: True Fetching 3C4D: False (429 Too Many Requests) Fetching 5E6F: False (403 Forbidden)
2.4 遇到的问题总结
三、反爬对抗技术实现
3.1 动态住宅代理配置
针对数据采集过程中常见的访问限制问题，动态住宅 IP 代理可提供有效解决方案。其关键优势在于构建了高密度 IP 轮换机制，通过自动化策略实现请求端的持续身份伪装。
之前使用过亮数据的代理服务，稳定、安全且高效，于是决定使用它的动态住宅IP代理来解决上述数据采集问题，大概流程如下：
3.1.1 注册与通道创建
1. 账号注册
访问 [Bright Data官网](bright data )，用这个链接注册可以直接5折，不需要额外操作。点击注册及登录链接，即可直接享受折扣，非常推荐使用！
使用邮箱完成注册。登录成功之后，可看到以下界面
2. 创建代理通道
● 进入控制台 → 代理网络 → 动态住宅代理
● 点击「创建通道」，配置以下参数：
● 通道类型：选择「动态住宅代理」
● 并发数：根据采集需求设置（建议初始设为5-10）
● 地域锁定：选择目标数据库服务器所在地（如美国/欧洲节点）
● IP池大小：默认「自动」或指定最小IP数量
通道创建成功会提示如下
安装证书
测试一下
有多种代码示例，可根据不同的项目语言进行选择使用，
3.1.2 获取代理认证信息
在通道详情页获取以下参数：
PROXY_HOST = "brd.superproxy.io" # 通用代理主机 PROXY_PORT = 22225 # 动态住宅代理端口 PROXY_USER = "brd-customer-hl_5aaa3f49-zone_residential_proxy1" # 通道用户名 PROXY_PASS = "mq2tfjmm5t9d" # 通道密码
3.1.3 代码集成代理
这里需要替换为你自己的信息即可
{PROXY_USER}:{PROXY_PASS}@{PROXY_HOST}:{PROXY_PORT}
# 构建代理隧道 proxies = { "http": f"http://{PROXY_USER}:{PROXY_PASS}@{PROXY_HOST}:{PROXY_PORT}", "https": f"https://{PROXY_USER}:{PROXY_PASS}@{PROXY_HOST}:{PROXY_PORT}" } # 验证代理有效性 def is_proxy_valid(): try: response = requests.get( "https://api64.ipify.org?format=json", proxies=proxies, timeout=5 ) print(f"Current Proxy IP: {response.text}") return response.status_code == 200 except Exception as e: print(f"Proxy validation failed: {str(e)}") return False
3.1.4 高级配置优化
1. 设备指纹伪装
headers = { "User-Agent": random.choice([ "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36" ]), "Accept-Language": "en-US,en;q=0.9" }
2. 地理位置筛选
# 通过URL参数指定地域 proxies = { "https": f"https://{PROXY_USER}-geo-us:{PROXY_PASS}@{PROXY_HOST}:{PROXY_PORT}" }
通过以上步骤，可快速构建稳定的动态住宅代理环境，有效突破学术数据库反爬限制。
3.2 Web Scraper API
如果觉得自己写代码效率不高，可以使用这个API ,开箱即用，支持海量的数据拉取。目前使用75折，很划算。
简单来说，这个工具就像给AI模型训练数据采集装了个「超级外挂」
注册成功之后可以看到
搜索需要的数据之后
按照步骤配置完成之后，可以看到你选择的数据示例：
3.2.1 代码实现
进入控制台 → Web Scraper → 获取 API 密钥python
API_KEY = "your_api_key" # 从控制台复制
3.2.2 基本请求示例
import requests API_URL = "https://scraper-api.brightdata.com" def fetch_pubmed_article(article_id): params = { "url": f"https://pubmed.ncbi.nlm.nih.gov/{article_id}/", "output": "json", "geo": "us", "parse": "pubmed_article" } response = requests.get( API_URL, params=params, auth=(API_KEY, '') # 认证方式1：URL参数 ) return response.json() # 使用示例 data = fetch_pubmed_article("37000000") print(data["title"])
3.2.3 高级参数配置
# 完整参数列表 params = { "url": "https://url.com",# 指定采集url "output": "json", # 支持json, csv, html "geo": "us", # 指定采集地域 "parse": "default",# 选择解析模板 "javascript": "enabled", # 启用JS渲染 "timeout": 30, # 超时时间（秒） "premium_proxy": "true" # 使用高级代理 }
3.2.4 预构建爬虫模板
我也有试了一下这个API，确实挺方便的减少很多代码量
# 支持的典型站点示例 SUPPORTED_SITES = [ "pubmed.ncbi.nlm.nih.gov", "www.ncbi.nlm.nih.gov/pmc", "www.ebi.ac.uk/proteins", "www.biorxiv.org" ]
开箱即用的解析器：自动提取结构化数据python
# 解析PubMed文章元数据 params = { "url": "https://pubmed.ncbi.nlm.nih.gov/37000000/", "parse": "pubmed_article" }
3.3 智能请求调度
另外在代码中也可以加上智能请求调度的配置，用来退避请求控制
# 带指数退避的请求控制 def schedule_request(attempt=1): max_attempts = 5 delay = 2 ** attempt + random.uniform(0, 1) if attempt > max_attempts: raise Exception("Max attempts exceeded") time.sleep(delay) return attempt + 1
3.4 多线程采集优化
使用线程池并发采集，采集效率更高
# 使用线程池并发采集 from concurrent.futures import ThreadPoolExecutor def process_pdb_id(pdb_id): attempt = 1 while attempt <= 3: try: success = fetch_pdb_structure(pdb_id, proxies) if success: print(f"Success: {pdb_id}") return else: attempt = schedule_request(attempt) except Exception as e: print(f"Error processing {pdb_id}: {str(e)}") attempt = schedule_request(attempt) # 启动10线程并发 with ThreadPoolExecutor(max_workers=10) as executor: executor.map(process_pdb_id, pdb_ids)
四、数据质量保障
4.1 数据格式验证
# PDB文件验证脚本 from Bio.PDB import PDBParser def validate_pdb_file(file_path): try: parser = PDBParser(QUIET=True) structure = parser.get_structure("test", file_path) return len(list(structure.get_atoms())) > 0 except Exception as e: return False
4.2 学术合规处理
# 添加请求延迟遵守数据库条款 import time def polite_request(): time.sleep(1) # 至少1秒间隔
五、性能优化与效果对比
5.1 优化策略对比
5.2 关键技术点
1. 代理网络动态切换：基于地理位置的智能节点选择
2. 请求指纹随机化：
headers = { "User-Agent": random.choice([ "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36" ]) }
3. 数据清洗流水线：
def clean_pdb_data(data): return [atom for atom in data if atom.get_full_id()[3][0] != 'W']
六、学术合规与风险控制
6.1 数据库API优先
# 使用PDB API获取数据 response = requests.get( "https://data.rcsb.org/rest/v1/core/entry/1A2B", headers={"Accept": "application/json"} )
6.2 伦理审查机制
1. 确保数据不涉及人类受试者隐私
2. 添加数据使用声明：
print("This data is used for academic research purposes only.")
通过综合运用反爬对抗技术与生物信息学工具，成功构建了包含10万+蛋白质结构的训练集，使AI大模型在蛋白质-配体结合预测任务上的准确率提升了7.3%。另外在应用中还需要持续监控目标数据库的API更新和反爬策略变化，保持采集系统的灵活性。
