软件应用｜Python 自动搜索、翻译、存储文献标题摘要！

本文转载自公众号早起Python

一、需求描述

大家好，我是早起。

在之前的文章 批量翻译文档 中，我们介绍了如何调用百度翻译API完成实际的文档翻译需求。如果是科研、深度学习等需要经常阅读大量论文的工作，批量翻译就能大大提高效率。

本文将进一步使用 Python 实现另一个在科研学术领域的办公自动化应用。「结合爬虫批量翻译文献题目和摘要，并存储搜索和翻译结果至 Excel中」

完成效果如下，指定的外文文献标题、摘要都被批量翻译后存储在Excel中，我们可以大致浏览后有选择性的挑选文章阅读！

本文以ACM协会的文献为例，搜索的关键词是 “对抗生成网络+眼底” ，即 “GAN+fundus”

二、逻辑梳理

本文需求可以看做三块内容：爬虫+翻译+存储 在使用百度的通用翻译 API 之前需要完成以下工作：

“

1. 使用百度账号登录百度翻译开放平台（http://api.fanyi.baidu.com)
2. 注册成为开发者，获得APPID；
3. 进行开发者认证（如仅需标准版可跳过）；
4. 开通通用翻译API服务：开通链接
5. 参考技术文档和Demo编写代码

”

完成后在个人页面在即可看到 ID 和密钥，这个很重要！

关于如何使用Python爬取翻译结果的细节本文就不再赘述！我已经将通用翻译 API 的 demo代码写好，已经对输出做简单修改，拿走就能用！

import requests
import random
import json
from hashlib import md5

# Set your own appid/appkey.
appid = 'xxx'
appkey = 'xxx'

# For list of language codes, please refer to `https://api.fanyi.baidu.com/doc/21`
from_lang = 'en'
to_lang =  'zh'

endpoint = 'http://api.fanyi.baidu.com'
path = '/api/trans/vip/translate'
url = endpoint + path

query = 'Hello World! This is 1st paragraph.\nThis is 2nd paragraph.'

# Generate salt and sign
def make_md5(s, encoding='utf-8'):
    return md5(s.encode(encoding)).hexdigest()

salt = random.randint(32768, 65536)
sign = make_md5(appid + query + str(salt) + appkey)

# Build request
headers = {'Content-Type': 'application/x-www-form-urlencoded'}
payload = {'appid': appid, 'q': query, 'from': from_lang, 'to': to_lang, 'salt': salt, 'sign': sign}

# Send request
r = requests.post(url, params=payload, headers=headers)
result = r.json()

# Show response
for res in result['trans_result']:
 print(res['dst'])

在本需求中可以考虑将上面的API重新包装成函数，将爬取的题目和摘要看做两个文本输入函数后，返回翻译的结果：

import requests
import random
import json
from hashlib import md5

def make_md5(s, encoding='utf-8'):
    return md5(s.encode(encoding)).hexdigest()

def Baidu_translate(query):
    # Set your own appid/appkey.
    appid = 'xxx'
    appkey = 'xxx'

    from_lang = 'en'
    to_lang = 'zh'

    endpoint = 'http://api.fanyi.baidu.com'
    path = '/api/trans/vip/translate'
    url = endpoint + path
    try:
        salt = random.randint(32768, 65536)
        sign = make_md5(appid + query + str(salt) + appkey)
        # Build request
        headers_new = {'Content-Type': 'application/x-www-form-urlencoded'}
        payload = {'appid': appid, 'q': query, 'from': from_lang, 'to': to_lang, 'salt': salt, 'sign': sign}
        # Send request
        r = requests.post(url, params=payload, headers=headers_new)
        result = r.json()['trans_result'][0]['dst']
        return result
    except:
        return '翻译出错'

函数中用 try 捕获错误避免中途因为提交的文本为空，而导致的报错终止程序

存储部分，通过 openpyxl 或者 xlwings 存储到 Excel 中就可以

爬虫部分，两个网站的逻辑非常类似，具体见下文

三、代码实现

首先爬取ACM的摘要，在首页搜索框中输入：GAN+fundus 跳转后可以发现，URL包含了关键词：

那么后面的搜索就可以直接用URL拼接：

keyword = 'GAN+fundus'
url_init = r'https://dl.acm.org/action/doSearch?AllField='
url =url_init + keyword

搜索结果非常多，本文爬取第一页文章的摘要为例，后续读者当关键词锁定的文献比较少或者想获取全部文献，可以自行寻找URL翻页逻辑

同时我们发现，摘要显示不全，确认源代码和ajax动态加载不包含完整摘要，因此可以考虑进入各文献的详情页获取摘要：

回到搜索结果页，对详情页分析可以发现每个文献可获取的href跟 dl.acm.org 拼接后即为详情页URL：

接下来就可以利用Xpath获取搜索页第一页全部文献的 href 并拼接成新URL：

import requests
from lxml import html

keyword = 'GAN+fundus'
url_init = r'https://dl.acm.org/action/doSearch?AllField='
url =url_init + keyword
html_data = requests.get(url).text
selector = html.fromstring(html_data)
articles = selector.xpath('//*[@id="pb-page-content"]/div/main/div[1]/div/div[2]/div/ul/li')
for article in articles:
    url_new = 'https://dl.acm.org' + article.xpath('div[2]/div[2]/div/h5/span/a/@href')[0]
    print(url_new)

获得新的URL之后，重新用Xpath解析新的网页获取题目和摘要：

for article in articles:
    url_new = 'https://dl.acm.org' + article.xpath('div[2]/div[2]/div/h5/span/a/@href')[0]
    html_data_new = requests.get(url_new).text
    selector_new = html.fromstring(html_data_new)

    title = selector_new.xpath('//*[@id="pb-page-content"]/div/main/div[2]/article/div[1]/div[2]/div/div[2]/h1/text()')[0]
    abstract = selector_new.xpath('//div[@class="abstractSection abstractInFull"]/p/text()')[0]
    print('Title: ' + title)
    print('Abstract: ' + abstract)
    print('-' * 20)

题目和摘要可以成功输出，但现在还是英文形式。只需要将文本提交给上文中包装好的翻译函数，输出返回值就是中文翻译形式了。注意免费的API每秒只允许调用一次，可以考虑将题目和摘要组合成一个文本同时提交，或者中间休眠一秒：

for article in articles:
    url_new = 'https://dl.acm.org' + article.xpath('div[2]/div[2]/div/h5/span/a/@href')[0]
    html_data_new = requests.get(url_new).text
    selector_new = html.fromstring(html_data_new)

    title = selector_new.xpath('//*[@id="pb-page-content"]/div/main/div[2]/article/div[1]/div[2]/div/div[2]/h1/text()')[0]
    abstract = selector_new.xpath('//div[@class="abstractSection abstractInFull"]/p/text()')[0]

    title = 'Title: ' + title
    translated_title = Baidu_translate(title)
    print(title)
    print(translated_title)
    time.sleep(1)

    abstract = 'Abstract: ' + abstract
    translated_abstract = Baidu_translate(abstract)
    print(abstract)
    print(translated_abstract)
    time.sleep(1)

    print('-' * 20)

题目和摘要成功翻译！接下来可以自定义对接意向的持久化存储了，以openpyxl为例，首先在代码的开头用 openpyxl 创建 Excel 文件并写入表头：

from openpyxl import Workbook

wb = Workbook()
sheet = wb.active
header = ['序号', '题目', '题目(译)', '摘要', '摘要(译)']
sheet.append(header)
path = 'xxx' # 希望保存文件的路径

用变量 num 标记文章的顺序，并在每篇文章解析和翻译完后利用 sheet.append(list) 写入 Excel，循环结束后保存文件即完成全部存储：

num = 0
keyword = 'GAN+fundus'
url_init = r'https://dl.acm.org/action/doSearch?AllField='
url =url_init + keyword
html_data = requests.get(url).text
selector = html.fromstring(html_data)
articles = selector.xpath('//*[@id="pb-page-content"]/div/main/div[1]/div/div[2]/div/ul/li')

for article in articles:
    num += 1
    url_new = 'https://dl.acm.org' + article.xpath('div[2]/div[2]/div/h5/span/a/@href')[0]
    html_data_new = requests.get(url_new).text
    selector_new = html.fromstring(html_data_new)

    title = selector_new.xpath('//*[@id="pb-page-content"]/div/main/div[2]/article/div[1]/div[2]/div/div[2]/h1/text()')[0]
    abstract = selector_new.xpath('//div[@class="abstractSection abstractInFull"]/p/text()')[0]

    title = 'Title: ' + title
    translated_title = Baidu_translate(title)
    print(title)
    print(translated_title)
    time.sleep(1)

    abstract = 'Abstract: ' + abstract
    translated_abstract = Baidu_translate(abstract)
    print(abstract)
    print(translated_abstract)
    time.sleep(1)

    print('-' * 20)
    sheet.append([num, title, translated_title, abstract, translated_abstract])

wb.save(path + r'\文献输出.xlsx')

最终实现效果如下，可以看到指定的文章标题、摘要都被翻译提取出来，我们可以大致浏览后有选择的查阅文章。

另外还有一个重要的计算机协会，IEEE(https://ieeexplore.ieee.org/Xplore/home.jsp)，网页信息爬取逻辑和ACM非常类似，不再赘述

小结

综合各种办公自动化技术，我们可以实现各式各样的办公或科研需求，扎实的技术是最重要的前提。

例如本文的需求，其实我们还可以通过 openpyxl 或者 xlwings 存储到 Excel 中，实际上还可以 python-docx 写入 Word 中，甚至从文献中获取图片，借助 python-pptx 写入 PPT 中。

星标⭐我们不迷路！

想要文章及时到，文末“在看”少不了！

点击搜索你感兴趣的内容吧

往期推荐

数据Seminar

这里是大数据、分析技术与学术研究的三叉路口

推荐 | 青酱

    欢迎扫描👇二维码添加关注    

点击下方“阅读全文”了解更多