题目来源于生信技能树论坛，参考了几个帖子。 http://www.biotrainee.com/thread-1695-1-1.html http://www.biotrainee.com/thread-1316-1-1.html
比如这个最简单的，表格爬取： http://www.letpub.com.cn/index.p … r=¤tpage=1000 http://www.letpub.com.cn/index.p … tter=¤tpage=3 http://www.letpub.com.cn/index.p … tter=¤tpage=2 http://www.letpub.com.cn/index.p … tter=¤tpage=1 规律很简单，就是url从1增加到1000即可，很简单的循环！ 每一个页面只有一个表格，所以很容易提取，用python,perl,R都可以 截止2017年，一共收录期刊：9991份 试试看吧
里边最重要的就是正则表达式了，另外就是把想要的内容分离出来，这是个很简单的爬虫，我的代码也很初级，仍需继续努力学习！
遇到的问题有：1、网络连接被切断，估计是没有进行伪装成浏览器的原因；2、才开始正则表达式影响因子中有两位数的，没有考虑；3、有的被除名的标签不一样，导致有影响因子（0.000）没有杂志名。 我的代码如下：
import requests
import re
import time
fout = open('ifs.csv', 'w')
for i in range(79, 1001):
j_name = []
ifs = []
dict = {}
url = 'http://www.letpub.com.cn/index.php?page=journalapp&fieldtag=&firstletter=¤tpage=%s' % i
content = requests.get(url).text
#print(content)
re1 = re.compile(r'<a style="color:#0099FF; font-size:12px; font-weight:bold; .*?;" .*?&page=journalapp&view=detail" target="_blank">.*?</a><br><br>')
re2 = re.compile(r'<td style="border:1px #DDD solid; border-collapse:collapse; text-align:left; padding:8px 8px 8px 8px;">\d+\.\d+</td>')
#re3 = re.compile(r'')
journal_name = re1.findall(content)
for a in journal_name:
name = a.split('</a>')[0].split('>')[1]
j_name.append(name)
dict[name] = ''
iF = re2.findall(content)
for a in iF:
ifa = a.split('</td>')[0].split('>')[1]
#if ifa != '0.000':
ifs.append(ifa)
print(ifs)
j = 0
print(len(dict))
for c in dict.keys():
#print(c)
if j < len(dict):
dict[c] = ifs[j]
j += 1
fout.write(str(c) + ',' + str(dict[c]) + '\n')
time.sleep(6)
#break
fout.close()
