[发明专利]一种基于网络爬虫的药品信息库构建方法

权利要求书

1.一种基于网络爬虫的药品信息数据库构建方法，其特征在于，包括：首先在服务器后台定时定向抓取CFDA网站中的企业信息查询中的子栏目信息；然后分析子栏目的汇总数据，并进一步获取子栏目的具体信息；根据CFDA的药品数据分析，利用网络爬虫到药品生产企业中抓取药品说明书并保存为PDF格式；采用微软的OCR来识别药品说明书的相关信息，并将结果保存到数据库中；定时抓取CFDA药品监管动态，如果有新药获批则到对应的企业网站中抓取药品说明书，并采用OCR识别其内容，并更新到数据库中；

其中，所述的在服务器后台定时定向抓取CFDA网站中的企业信息查询中的子栏目信息，然后分析子栏目的汇总数据，具体为：在第一次构建药品信息数据库时，利用网络爬虫抓取CFDA网站的药品栏目获取药品信息的全局数据；

所述的获取子栏目的具体信息，具体为：到国产药品子栏目、国产药品商品名子栏目、进口药品子栏目、进口药品商品名子栏目、药品注册补充备案情况公示子栏目、药品生产企业子栏目获取其详细信息；

所述的根据CFDA的药品数据分析，利用网络爬虫到药品生产企业中抓取药品说明书并保存为PDF格式，具体为：根据子栏目中的药品生产企业数据和药品信息数据，用爬虫到各个药品生产企业的网站中抓取药品的说明书；

所述的采用微软的OCR来识别药品说明书的相关信息，并将结果保存到数据库中，具体为：在完成初次药品信息采集之后，使用微软OCR提供API来分析药品说明书，并利用药品生产企业+药品通用名称+药品批准号作为关键词进行存储；同时将药品本位码也作为辅关键词存储到数据库；

所述的定时抓取CFDA药品监管动态，如果有新药获批则到对应的企业网站中抓取药品说明书，并采用OCR识别其内容，并更新到数据库中，具体为：根据CFDA网站按照月度发布批准新药的报告，到国家食品药品监督管理总局药品评审中心网站的信息公开栏目抓取最新的药品名称及其生产企业；并到对应的企业网站中抓取新药品的说明书，采用OCR进行文字识别，并将结果更新到数据库中。