sem爬虫需求

tangs 51ea5dae2f modify 添加print		1 年之前
.gitignore	aba9e4e521 first commit	1 年之前
README.md	a1279945fb fix: avoid judging each data in the loop	1 年之前
config.json	5e34cceace config.json: add num_threads、task_queue_len	1 年之前
paper2000.json	aba9e4e521 first commit	1 年之前
paper_spider.papers_data.json	b0903ea210 fix recommendedPapers name	1 年之前
requestments.txt	aba9e4e521 first commit	1 年之前
spider.py	51ea5dae2f modify 添加print	1 年之前

sem-spider

实现步骤

1、读取配置文件中的数据库参数；

2、连接数据库，并创建 papers 集合；

3、实现 /add_paper 端点，用于添加样本数据；

4、实现 /crawl_data 端点，用于爬取数据；

5、实现 worker 函数，用于处理爬取任务。

APIs

/graph/v1/paper/{paper_id}
/graph/v1/paper/{paper_id}/citations
/graph/v1/paper/{paper_id}/references
# https://api.semanticscholar.org/api-docs/#tag/Paper-Data/operation/post_graph_get_papers

例子：

curl --location 'https://api.semanticscholar.org/graph/v1/paper/61822dc4ea365e1499fbdae7958aa317ad78f39f?fields=title%2CpaperId%2CreferenceCount&limit=100&offset=' \
--header 'x-api-key: B4YUQrO6w07Zyx9LN8V3p5Lg0WrrGDK520fWJfYD'

~~相关论文 related-papers：~~(此接口存在人机验证，使用推荐论文接口)

curl --location 'https://www.semanticscholar.org/api/1/paper/61822dc4ea365e1499fbdae7958aa317ad78f39f/related-papers?limit=15&recommenderType=relatedPapers' \
--header 'Cookie: tid=rBIABmR91dK7TwAJJIRdAg=='

推荐论文

https://api.semanticscholar.org/recommendations/v1/papers/forpaper/61822dc4ea365e1499fbdae7958aa317ad78f39f?fields=url,abstract,authors

数据字典

以实际为准

{
    "_id": {
        "$oid": "64796d23c0a763eba149940a"
    },
    "paper_id":3658586,
    "year": "年份",
    "title": "文章标题",
    "slug": "标语",
    "tldr": "概述",
    "numCiting": "被参考次数",
    "numCitedBy": "被引用次数",
    "bages": "",
    "authors": "作者",
    "corpusid": 96048797,
    "url": "...",
	"citations": [],
	"references": [],
	"relaterPapers": [],
}

依赖

requirements.txt

requests
pymongo

运行方式

先使用 add_paper 接口导入需要爬取到paper列表，会通过 consumed 字段识别已爬取到数据

python3 spider.py add_paper --path paper2000.json

再 crawl_data 进行数据爬取

python spider.py crawl_data

配置文件

{
    "db_url": "mongodb://localhost:27017/",
    "db_name": "paper_spider",
    "db_collection": "papers",
    "s2_api_key": "your_api_key",
    "num_threads": 10, // 线程数
    "task_queue_len": 10 // 任务队列长度
}

README.md