重大優(yōu)化！Python文獻超級搜索下載工具
，如果你的學校購買的論文下載權限不夠多，或者不在校園內，那就很頭痛了。幸好，我們有Python制作的這個論文搜索工具，簡化了我們學習的復雜性
1. 什么是Scihub
首先給大家介紹一下Sci-hub這個線上數(shù)據(jù)庫，這個數(shù)據(jù)庫提供了約8千萬篇科學學術論文和文章下載。由一名叫亞歷珊卓·艾爾巴金的研究生建立，她過去在哈佛大學從事研究時發(fā)現(xiàn)支付所需要的數(shù)百篇論文的費用實在是太高了，因此就萌生了創(chuàng)建這個網(wǎng)站，讓更多人獲得知識的想法
后來，這個網(wǎng)站越來越出名，逐漸地在更多地國家如印度、印度尼西亞、中國、俄羅斯等國家盛行，并成功地和一些組織合作，共同維護和運營這個網(wǎng)站。到了2017年的時候，網(wǎng)站上已有81600000篇學術論文，占到了所有學術論文的69%，基本滿足大部分論文的需求，而剩下的31%是研究者不想獲取的論文。
2. 為什么我們需要用Python工具下載
在起初，這個網(wǎng)站是所有人都能夠訪問的，但是隨著其知名度的提升，越來越多的出版社盯上了他們，在2015年時被美國法院封禁后其在美國的服務器便無法被繼續(xù)訪問，因此從那個時候開始，他們就跟出版社們打起了游擊戰(zhàn)
游擊戰(zhàn)的缺點就是導致scihub的地址需要經常更換，所以我們沒辦法準確地一直使用某一個地址訪問這個數(shù)據(jù)庫。當然也有一些別的方法可讓我們長時間訪問這個網(wǎng)站，比如說修改DNS，修改hosts文件，不過這些方法不僅麻煩，而且也不是長久之計，還是存在失效的可能的。
3. 新姿勢：用Python寫好的API工具超方便下載論文
這是一個來自github的開源非官方API工具，下載地址為:
https://github.com/zaytoun/scihub.py
但由于作者長久不更新，原始的下載工具已經無法使用，Python實用寶典修改了作者的源代碼，適配了中文環(huán)境的下載器，并添加了異步批量下載等方法：
https://github.com/Ckend/scihub-cn
解壓下載的壓縮包后，使用CMD/Terminal進入這個文件夾，輸入以下命令（默認你已經安裝好了Python）安裝依賴：
pip install -r requirements.txt然后我們就可以準備開始使用啦！
這個工具使用起來非常簡單，有兩種方式，第一種方式你可以先在 Google 學術（搜索到論文的網(wǎng)址即可）或ieee上找到你需要的論文，復制論文網(wǎng)址如：
http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber=1648853
ieee文章
然后在scihub文件夾的scihub里新建一個文件叫download.py, 輸入以下代碼：
from?scihub import?SciHub
sh = SciHub()
# 第一個參數(shù)輸入論文的網(wǎng)站地址
# path: 文件保存路徑
result = sh.download('http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber=1648853', path='paper.pdf')進入該文件夾后在cmd/terminal中運行：
python download.py你就會發(fā)現(xiàn)文件成功下載到你的當前目錄啦，名字為paper.pdf如果不行，多試幾次就可以啦，還是不行的話，可以在下方留言區(qū)詢問哦。
上述是第一種下載方式，第二種方式你可以通過在知網(wǎng)或者百度學術上搜索論文拿到DOI號進行下載，比如：
將DOI號填入download函數(shù)中：
from?scihub import?SciHub
sh = SciHub()
result = sh.download('10.1016/j.compeleceng.2020.106640', path='paper2.pdf')下載完成后就會在文件夾中出現(xiàn)該文獻：
2020-06-25新增：基于關鍵詞的論文批量下載
今天更新了一波接口，現(xiàn)在支持使用搜索的形式批量下載論文，比如說搜索關鍵詞?端午節(jié)（Dragon Boat Festival）：
from?scihub import?SciHub
sh = SciHub()
# 搜索詞
keywords = "Dragon Boat Festival"
# 搜索該關鍵詞相關的論文，limit為篇數(shù)
result = sh.search(keywords, limit=10)
print(result)
for?index, paper in?enumerate(result.get("papers", [])):
????# 批量下載這些論文
????sh.download(paper["url"], path=f"files/{keywords.replace(' ', '_')}_{index}.pdf")
2021-01-07 異步下載優(yōu)化，增加超時控制
這個開源代碼庫已經運行了幾個月，經常有同學反饋搜索論文后下載論文的速度過慢、下載的文件損壞的問題，這幾天剛好有時間一起解決了。
下載速度過慢是因為之前的版本使用了串行的方式去獲取數(shù)據(jù)和保存文件，事實上對于這種IO密集型的操作，最高效的方式是用 asyncio 異步的形式去進行文件的下載。
而下載的文件損壞則是因為下載時間過長，觸發(fā)了超時限制，導致文件傳輸過程直接被腰斬了。
因此，我們將在原有代碼的基礎上添加兩個方法：1.異步請求下載鏈接，2.異步保存文件。
此外增加一個錯誤提示：如果下載超時了，提示用戶下載超時并不保存損壞的文件，用戶可自行選擇調高超時限制。
首先，新增異步獲取scihub直鏈的方法，改為異步獲取相關論文的scihub直鏈：
async?def?async_get_direct_url(self, identifier):
????"""
????異步獲取scihub直鏈
????"""
????async?with?aiohttp.ClientSession() as?sess:
????????async?with?sess.get(self.base_url + identifier) as?res:
????????????logger.info(f"Fetching {self.base_url + identifier}...")
????????????# await 等待任務完成
????????????html = await?res.text(encoding='utf-8')
????????????s = self._get_soup(html)
????????????iframe = s.find('iframe')
????????????if?iframe:
????????????????return?iframe.get('src') if?not?iframe.get('src').startswith('//') \
????????????????????else?'http:'?+ iframe.get('src')
????????????else:
????????????????return?None這樣，在搜索論文后，調用該接口就能獲取所有需要下載的scihub直鏈，速度很快：
def?search(keywords: str, limit: int):
????"""
????搜索相關論文并下載
????Args:
????????keywords (str): 關鍵詞
????????limit (int): 篇數(shù)
????"""
????sh = SciHub()
????result = sh.search(keywords, limit=limit)
????print(result)
????loop = asyncio.get_event_loop()
????# 獲取所有需要下載的scihub直鏈
????tasks = [sh.async_get_direct_url(paper["url"]) for?paper in?result.get("papers", [])]
????all_direct_urls = loop.run_until_complete(asyncio.gather(*tasks))
????print(all_direct_urls)
獲取直鏈后，需要下載論文，同樣也是IO密集型操作，增加2個異步函數(shù)：
async?def?job(self, session, url, destination='', path=None):
????"""
????異步下載文件
????"""
????file_name = url.split("/")[-1].split("#")[0]
????logger.info(f"正在讀取并寫入 {file_name}?中...")
????# 異步讀取內容
????try:
????????url_handler = await?session.get(url)
????????content = await?url_handler.read()
????except:
????????logger.error("獲取源文件超時，請檢查網(wǎng)絡環(huán)境或增加超時時限")
????????return?str(url)
????with?open(os.path.join(destination, path + file_name), 'wb') as?f:
????????# 寫入至文件
????????f.write(content)
????return?str(url)
async?def?async_download(self, loop, urls, destination='', path=None):
????"""
????觸發(fā)異步下載任務
????如果你要增加超時時間，請修改 total=300
????"""
????async?with?aiohttp.ClientSession(timeout=aiohttp.ClientTimeout(total=300)) as?session:
????????# 建立會話session
????????tasks = [loop.create_task(self.job(session, url, destination, path)) for?url in?urls]
????????# 建立所有任務
????????finished, unfinished = await?asyncio.wait(tasks)
????????# 觸發(fā)await，等待任務完成
????????[r.result() for?r in?finished]最后，在search函數(shù)中補充下載操作：
import?asyncio
from?scihub import?SciHub
def?search(keywords: str, limit: int):
????"""
????搜索相關論文并下載
????Args:
????????keywords (str): 關鍵詞
????????limit (int): 篇數(shù)
????"""
????sh = SciHub()
????result = sh.search(keywords, limit=limit)
????print(result)
????loop = asyncio.get_event_loop()
????# 獲取所有需要下載的scihub直鏈
????tasks = [sh.async_get_direct_url(paper["url"]) for?paper in?result.get("papers", [])]
????all_direct_urls = loop.run_until_complete(asyncio.gather(*tasks))
????print(all_direct_urls)
????# 下載所有論文
????loop.run_until_complete(sh.async_download(loop, all_direct_urls, path=f"files/"))
????loop.close()
if?__name__ == '__main__':
????search("quant", 5)一個完整的下載過程就OK了：
比以前的方式舒服太多太多了... 如果你要增加超時時間，請修改async_download函數(shù)中的 total=300，把這個請求總時間調高即可。
最新代碼前往GitHub上下載：
https://github.com/Ckend/scihub-cn
這個API的源代碼其實非常好讀懂
4.1、找到sci-hub目前可用的域名
首先它會在這個網(wǎng)址里找到sci-hub當前可用的域名，用于下載論文：
https://whereisscihub.now.sh/
可惜的是，作者常年不維護，該地址已經失效了，我們就是在這里修改了該域名，使得項目得以重新正常運作：
4.2、對用戶輸入的論文地址進行解析，找到相應論文
1. 如果用戶輸入的鏈接不是直接能下載的，則使用sci-hub進行下載
2. 如果scihub的網(wǎng)址無法使用則切換另一個網(wǎng)址使用，除非所有網(wǎng)址都無法使用。
3.值得注意的是，如果用戶輸入的是論文的關鍵詞，我們將調用sciencedirect的接口，拿到論文地址，再使用scihub進行論文的下載。
4.3、下載
1. 拿到論文后，它保存到data變量中
2. 然后將data變量存儲為文件即可
此外，代碼用到了一個retry裝飾器，這個裝飾器可以用來進行錯誤重試，作者設定了重試次數(shù)為10次，每次重試最大等待時間不超過1秒。
希望大家能妥善使用好此工具，不要批量下載，否則一旦網(wǎng)站被封，學生黨們又要哭了。
我們的文章到此就結束啦，如果你喜歡今天的Python 實戰(zhàn)教程，請持續(xù)關注Python實用寶典。
下載：https://github.com/Ckend/scihub-cn