用Python实现一个爬虫爬取ZINC网站进行生物信息学数据分析

Posted 2021-12-16 jeysin

　　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：

 

  1 #coding=utf-8
  2 
  3 ‘‘‘
  4 @Author: [email protected]
  5 @Date: 2019-6-1
  6 @Description: 
  7 本爬虫运行环境为python2.7，在python3中不能运行。运行前先将含有smile表达式的文件命名为SMILE.txt放在与本文件相同的目录下，执行程序后，
  8 本爬虫会自动读取SMILE.txt文件中的内容，并根据smile表达式抓取ZINC网站的网页进行分析，得到的结果会以当前时间命名放在当前执行目录下。
  9 PS：程序运行快慢取决于当前网速和SMILE.txt文件大小，请耐心等待。
 10 ‘‘‘
 11 
 12 import os,sys
 13 import urllib
 14 import urllib2
 15 import json
 16 import time
 17 import re
 18 from HTMLParser import HTMLParser
 19 from datetime import datetime
 20 
 21 headers = 
 22             "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3",
 23             "Accept-Encoding": "gzip, deflate",
 24             "Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8",
 25             "Host": "zinc15.docking.org",
 26             "Referer": "http://zinc15.docking.org/substances/home/",
 27             "Upgrade-Insecure-Requests": "1",
 28             "Cookie": "_ga=GA1.2.1842270709.1559278006; _gid=GA1.2.1095204289.1559278006; _gat=1; session=.eJw9zLEKgzAQANBfKTd3qcRFcEgJBIdLQE7hbhFqW6pRC20hGPHf26nvA94G3XCFYoPDBQoQCjlm7YCzTDLWk6N2xBSi2CoKcXSzjGJ0zqkvYT9C_37du88z3JZ_gXP98MTJWY6eesXUKG85RwonTs3q6BzEyOQMrmirzCWtUJe_bv8CllwtkQ.D9Kh8w.M2p5DfE-_En2mAGby_xvS01rLiU",
 29             "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"
 30             
 31 
 32 #解析SEA Predictions
 33 def getSeaPredictions(html):
 34     seaPrediction = []
 35     begin = html.find("SEA Predictions", 0)
 36     if(begin == -1):
 37         return seaPrediction
 38     end = html.find("</tbody>", begin)
 39     left = html.find("<td>", begin)
 40     right = html.find("</td>", left)
 41     pattern = re.compile(‘>(.*?)<‘)
 42     while(right < end):
 43         str = html[left:right+5]
 44         str = str.replace("\\n", "").replace("\\t", "")
 45         str = ‘‘.join(pattern.findall(str))
 46         str = str.strip()
 47         seaPrediction.append(‘ ‘.join(str.split()))
 48         left = html.find("<td>", right)
 49         right = html.find("</td>", left)
 50         if(left == -1 or right == -1):
 51             break
 52     return seaPrediction
 53 
 54 #解析Vendors
 55 def getVendors(zincNum):
 56     url = "http://zinc15.docking.org/substances/" + zincNum + "/catitems/subsets/for-sale/table.html"
 57     request = urllib2.Request(url, headers = headers)
 58     response = urllib2.urlopen(request)
 59     html = response.read()
 60     
 61     #获取More about字段结束的位置列表，在其附近查找Vendors
 62     indexList = []
 63     begin = 0
 64     index = html.find("More about ", begin)
 65     while(index != -1):
 66         indexList.append(index + 11)
 67         begin = index + 11
 68         index = html.find("More about ", begin)
 69     
 70     vendors = []
 71     pattern = re.compile(‘>(.*?)<‘)
 72     for i in range(len(indexList)):
 73         begin = indexList[i]
 74         end = html.find(‘">‘, begin)
 75         vendors.append(html[begin:end])
 76         
 77         begin = html.find("<td>", end)
 78         end = html.find("</td>", begin)
 79         str = html[begin:end+5]
 80         vendors.append(‘‘.join(pattern.findall(str)))
 81         
 82     return vendors
 83     
 84 #解析CAS numbers
 85 def getCasNum(html):
 86     result = re.search("<dt>CAS Numbers</dt>", html)
 87     if(result == None):
 88         return "None"
 89     begin = result.span()[1]
 90     begin = html.find("<dd>", begin, len(html))
 91     begin = begin + 4
 92     end = html.find("</dd>", begin, len(html))
 93     if(begin + 1 >= end):
 94         return "None"
 95     str = html[begin:end]
 96     casNumList = re.findall(‘[0-9]+-[0-9]+-[0-9]+‘, str)
 97     if(casNumList == None):
 98         return "None"
 99     casNumStr = ""
100     for i in range(len(casNumList)):
101         casNumStr = casNumStr + casNumList[i]
102         if(i != len(casNumList)-1):
103             casNumStr = casNumStr + ","
104     return casNumStr
105 
106 #解析ZINC号
107 def getZincNum(html):
108     result = re.search("Permalink", html)
109     if result is None:
110         return None
111     else:
112         begin = result.span()[1]
113         while(html[begin] != ‘\\n‘):
114             begin = begin +1
115         begin = begin + 1
116         end = begin
117         while(html[end] != ‘\\n‘):
118             end = end + 1
119         zincNum = html[begin:end]
120         return zincNum.strip()
121 
122 #解析网页数据并写入文件
123 def parseHtmlAndWriteToFile(smile, html, output):
124 
125     zincNum = getZincNum(html)
126     if zincNum is None:
127         print "ZINC number:\\tNone"
128         output.write("ZINC number:\\tNone\\n")
129         return
130     else:
131         print "ZINC number: " + zincNum
132         output.write("ZINC number:\\t" + zincNum + ‘\\n‘)
133     
134     casNum = getCasNum(html)
135     print "CAS numbers: " + casNum
136     output.write("CAS numbers:\\t" + casNum + ‘\\n‘)
137     
138     output.write(‘\\n‘)
139     
140     vendors = getVendors(zincNum)
141     if(0 == len(vendors)):
142         print "Vendors:\\tNone"
143         output.write("Vendors:\\tNone\\n")
144     else:
145         print "Vendors:\\t"+str(len(vendors)/2)+" total"
146         output.write("Vendors:\\t"+str(len(vendors)/2)+" total\\n")
147         i = 0
148         while(i < len(vendors)-1):
149             output.write(vendors[i]+" | "+vendors[i+1]+"\\n")
150             i = i + 2
151     
152     output.write(‘\\n‘)
153     
154     seaPrediction = getSeaPredictions(html)
155     if(0 == len(seaPrediction)):
156         print "SEA Prediction:\\tNone"
157         output.write("SEA Prediction:\\tNone\\n")
158     else:
159         print "SEA Prediction:\\t"+str(len(seaPrediction)/5)+" total"
160         output.write("SEA Prediction:\\t"+str(len(seaPrediction)/5)+" total\\n")
161         i = 0
162         while(i < len(seaPrediction)-4):
163             output.write(seaPrediction[i] + " | " + seaPrediction[i+1] + " | " + seaPrediction[i+2] + " | " + seaPrediction[i+3] + " | " + seaPrediction[i+4] +"\\n")
164             i = i + 5
165         
166 #向重定向地址发起请求，获取网页数据
167 def getPage(url):
168     request = urllib2.Request(url, headers = headers)
169     response = urllib2.urlopen(request)
170     html = response.read()
171     return html
172 
173 
174 #构造url发起请求，获取inchikey然后获取重定向地址
175 def getRedirectUrl(smile):
176     encodeSmile = urllib.quote(smile, ‘utf-8‘)
177     url = ‘http://zinc15.docking.org/apps/mol/convert?from=‘ + encodeSmile + ‘&to=inchikey&onfail=error‘
178     request = urllib2.Request(url, headers = headers)
179     response = urllib2.urlopen(request)
180     inchikey = response.read()
181     
182     url = ‘http://zinc15.docking.org/substances/?highlight=‘ + encodeSmile + ‘&inchikey=‘ + inchikey + ‘&onperfect=redirect‘
183     request = urllib2.Request(url, headers = headers)
184     newUrl = urllib2.urlopen(request).geturl()
185     return newUrl
186     
187 
188 def main():
189     inputFilename = "D:\\python\\SMILE.txt"
190     #outputFilename = datetime.now().strftime(‘%Y-%m-%d-%H-%M-%S‘) + ".txt"
191     outputFilename = "result.txt"
192     with open(inputFilename, "r") as input, open(outputFilename, "w") as output:
193         for line in input.readlines():
194             smile = line.strip()
195             print "SMILE:\\t" + smile
196             output.write("SMILE:\\t" + smile + ‘\\n‘)
197             newUrl = getRedirectUrl(smile)
198             print newUrl
199             html = getPage(newUrl)
200             parseHtmlAndWriteToFile(smile, html, output)
201             print ‘\\n‘
202             output.write(‘\\n\\n\\n‘)
203 
204 if __name__ == "__main__":
205     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。

 

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，与诸君共勉！