莆田系醫院清洗日記(科普小文)

引子

一夜間，百度和莆田系的話題院佔領了俺的朋友圈。

直到這幾天我才幡然覺悟，從小的性病廣告，到公交車站的整容廣告，到各種一看就偽科學的網站廣告，原來師出一派。

本人不善口誅筆伐和道德說教，但好歹也被醫院坑過一次，花了800做了個其實應該免費的婚檢，自此才知道『軍』字打頭的醫院未必是個好鳥。

昨天當我在github上看到了這個項目: open-power-workgroup/Hospital, 心頭一震， 原來碼農也能為這件事做點什麼。

github是一個分散式代碼託管倉庫，這麼說有點裝逼，簡言之是大家可以在這裡進行多人協作，比如我修改了一個片段，他修改了一個片段，github可以幫著做合併。

現在github已經被玩壞了，比如這個找醫院的項目，至今有57個人參與其中，3000多個star()。

清洗數據

問題來了，目前只有500個野雞醫院的名字，你要取得這500個醫院的電話、省份、 城市、地區、地址供研究，你會怎麼做，是一個個去搜索嗎？

500個可以手動，如果是5000個呢，每次找到網站並刷出來需要15s，複製黏貼需要3s， 5個欄位需要15s，加起來一條記錄需要30s，5000條數據需要你一刻不停地高效率干一天半。

碼農就是暖男，暖男讓你的工作更省心。

如果我們用手機打開百度地圖或者高德地圖，隨手輸入一個地址，上海交大、上海交通大學、東川路800號，或在上海的視圖搜索交大、交通大學，基本上你能找得到這個地方。

雖然一個地址不是很標準，我們還是能找到標準的信息，有時候還能跳個小框出來，告訴你這個地方的聯繫電話是多少。

代碼片段

如果我們打開chrome，然後打開控制台(windows用戶按f12，mac用戶 alt + command + r)，然後點擊network。

然後在搜索框搜索『上海交通大學』，打開控制台，你可以找到一條類似於這樣的請求：

這個url有一段比較關鍵

keywords=%E4%B8%8A%E6%B5%B7%E4%BA%A4%E9%80%9A%E5%A4%A7%E5%AD%A6

很多字元是不能存在於url中的，所以瀏覽器會自動轉化，各種語言應該都有這種轉化的辦法，比如javascript提供了2個函數做轉換，我們可以在console里對這堆亂碼進行試驗，我們用encodeURI函數把中文轉亂碼，又用decodeURI轉換成中文:

因此，如果我們有一堆可疑醫院的列表，一條條告訴程序，程序把剛才url中key後面的亂碼用下面的函數處理替換，就可以開始搜集信息了。

我們可以看看這個介面包含的信息：

隨意下載

爬蟲的細節就先略過了，如果調用太頻繁，有時候會被高德封掉，最簡單的方法可疑讓任務排個隊，每次完了休息一小會。

這份數據大家可以免費地使用，也提供了json和csv的格式可供下載，因為初始數據修改過, 目前還沒有合併到主項目中。

所有的數據都為網友採集，並不為準，大家可以利用互聯網，開始進一步的調查。

謝謝每天我們用來導航的地圖服務，利用這個，我們批量清洗出了可疑醫院的詳細信息。

可疑醫院地圖

對於這份數據，順便做了一份簡單的熱力圖，可以點擊每個熱點看詳細信息：

http://hotu.co/hospital/

貼些sample: