学术数据采集中的两条路径：结构化提取与交互式解析

在科研信息服务领域，大家经常需要批量获取论文元数据，比如 标题、作者、期刊、引用关系 等。如果只是人工下载，无论效率还是覆盖度都远远不够。因此，自动化采集就成了必备手段。

不过在实践中，你会发现同一个网站可能需要两种完全不同的处理方式：

• 有些页面一打开，结构化信息就已经在 HTML 里，可以直接解析。
• 另一些地方则依赖用户操作或脚本渲染，必须模拟交互才能拿到结果。

本文以 Scopus 和 CNKI（中国知网） 为例，把这两类做法拆开讲清楚。

一、整体框架示意

            ┌──────────────────────────┐
            │   学术数据库 (Scopus / CNKI) │
            └───────────┬──────────────┘
                        │
      ┌─────────────────┴──────────────────┐
      │                                    │
 ┌────▼─────┐                        ┌─────▼─────┐
 │ 路径 A    │                        │ 路径 B    │
 │ HTML解析   │                        │ 模拟交互   │
 └────┬─────┘                        └─────┬─────┘
      │                                    │
   元数据提取                           深层数据获取

二、模块拆解

1. 路径 A：直接解析 HTML
   • 使用场景：Scopus 搜索结果页，文章标题和作者往往直接写在源码里。
   • 特点：实现简单，抓取速度快。
   • 局限：只能获取“浅层数据”，比如列表信息。
2. 路径 B：模拟交互获取
   • 使用场景：CNKI 的引文网络、Scopus 的推荐文献。只有在点击或下拉时，前端才会发出异步请求。
   • 特点：能拿到隐藏在交互之后的数据。
   • 局限：性能消耗大，脚本更复杂。
3. 代理接入
   • 学术站点的访问限制通常比较严格。通过配置 代理服务（如爬虫代理），可以降低被拦截的概率。
4. 数据存储
   • 抓取结果一般会落地到 MongoDB/MySQL，供后续的数据分析或知识图谱构建使用。

三、示例代码

下面用 Scopus 搜索“deep learning” 的结果做演示。

1. HTML 解析方式

import requests
from bs4 import BeautifulSoup

# ====== 代理配置（亿牛云示例） ======
proxy_host = "proxy.16yun.cn"
proxy_port = "3100"
proxy_user = "16YUN"
proxy_pass = "16IP"

proxies = {
   
    "http": f"http://{proxy_user}:{proxy_pass}@{proxy_host}:{proxy_port}",
    "https": f"http://{proxy_user}:{proxy_pass}@{proxy_host}:{proxy_port}"
}

# ====== 抓取 Scopus 列表页 ======
url = "https://www.scopus.com/results?src=srctitle&q=deep+learning"
headers = {
   "User-Agent": "Mozilla/5.0"}

resp = requests.get(url, headers=headers, proxies=proxies, timeout=10)
soup = BeautifulSoup(resp.text, "html.parser")

papers = []
for item in soup.select(".result-item-content"):
    title = item.select_one("h2").text.strip()
    author = item.select_one(".author").text.strip() if item.select_one(".author") else "未知"
    papers.append({
   "title": title, "author": author})

print(papers)

2. 模拟交互方式

from playwright.sync_api import sync_playwright

# ====== 代理配置（亿牛云示例） ======
proxy_host = "proxy.16yun.cn"
proxy_port = "3100"
proxy_user = "16YUN"
proxy_pass = "16IP"

with sync_playwright() as p:
    browser = p.chromium.launch(
        headless=True,
        proxy={
   
            "server": f"http://{proxy_host}:{proxy_port}",
            "username": proxy_user,
            "password": proxy_pass
        }
    )
    page = browser.new_page()

    page.goto("https://www.scopus.com/results?src=srctitle&q=deep+learning")
    page.wait_for_timeout(5000)

    # 点击展开更多引用信息
    if page.is_visible("text=View all related documents"):
        page.click("text=View all related documents")
        page.wait_for_timeout(3000)

    items = page.query_selector_all(".result-item-content")
    papers = []
    for item in items:
        title = item.query_selector("h2").inner_text()
        author = item.query_selector(".author").inner_text() if item.query_selector(".author") else "未知"
        papers.append({
   "title": title, "author": author})

    print(papers)
    browser.close()

四、流程概览

采集任务启动
       │
       ▼
   [代理模块]
       │
 ┌─────┴─────┐
 │ 路径 A：HTML │ 路径 B：交互
 └─────┬─────┘
       │
       ▼
   数据存储
       │
       ▼
科研分析 / 知识图谱

五、经验总结

• HTML 解析方式：适合直接拿结果列表，速度快，开销小。
• 交互解析方式：适合深层数据（如引用网络、推荐文献），但性能代价更大。
• 混合策略 是实践中常见选择：先批量解析浅层内容，再有选择地调用交互模式，把核心数据补齐。