GC-MS

气相色谱质谱联用(Gas chromatography mass spectrometry, GC-MS)是广泛应用于环保行业、电子行业、纺织品行业、石油化工、香精香料行业、医药行业、农业及食品安全等领域；环境中有机污染物分析（空气、水质、土壤中污染分析）；农残、兽残、药残分析；香精香料香气成分分析；纺织品行业中的有害物质检测。@气相色谱质谱联用仪_百度百科 ()

问题描述

GCMS测试反馈的数据不包含化合物的中文名和分子式，有的测试单位甚至不包含分子量等信息。为了更加直观的了解测试样品中化合物的分布，种类，还得手动根据CAS手动查询补全这些信息，然而手动查询实在折磨，故试着用Python爬虫来代劳！

(相关资料图)

通过Python爬虫查询特定的CAS号对应化合物的中文名，分子式的信息，并整理成表格。

〓测试数据的形式与结构〓

把样品寄给测试单位，得到的数据表格反馈如图1：

以化合物编号列的计数，图1展示的是一组半。

每组化合物编号都对应了正好20组数据，并且在其组内以定性列数字从大到小排序。

这意味着不能完全确定对应的是哪种化合物，只能在定性栏注明可能性的高低。

此外面积(Ab*s)指的是质谱峰面积，此处我把峰面积的占比称为相对丰度，也要整理出来。

根据要求，我需要的是每组化合物的第一匹配项，也就是说我应该把图1中出现的两组化合物整理成图2格式。

然而，CAS:138781-42-7没有找到对应的中文名，就空着吧！

可见，只有中文名和分子式是从网上查来的，相对丰度是计算来的，其他项目都是直接从图1表格中搬来的。用Python来取代人工再合适不过了。

〓简而言之就是6步〓：

从图1表格中抽取每组化合物的第一行的面积(Ab*s)、匹配项名称、分子量、CAS号。

把步骤1中CAS号重复的整合成一项，但是该项面积(Ab*s)要加和起来。

算出各项面积在总面积中的占比，也就是峰面积占比，此处且称作相对丰度。

利用CAS号上网爬取对应化合物的介绍页面的网页源码。

从网页源码中遍历寻找中文名称和分子式。

将中文名称、匹配项名称(英文)，分子式、分子量、CAS、相对丰度填表并保存。

〓其他格式的数据〓

不同测试机构可能给出的数据形式不太一样，比如图3就是另外一个测试机构给出的，文件形式不是表格，而是一个txt文本文件，每组化合物三个匹配项，只包含CAS号，峰面积占比(Area%)，故需要多出一部从这样的文本中读取CAS号的操作，在爬虫时也需要多一步：爬分子量。但总体上来说差别不大！

Python代码

用到pandas、numpy、request、my_fake_useragent几个库。

〓步骤1-3的实现方式〓

从图1表格中抽取每组化合物的第一行的面积(Ab*s)、匹配项名称、分子量、CAS号。

把步骤1中CAS号重复的整合成一项，但是该项面积(Ab*s)要加和起来。

算出各项面积在总面积中的占比，也就是峰面积占比，此处且称作相对丰度。

这段是read()函数，该函数调用以下2个自定义函数：

relative_abundance(df)

delete_duplicates(df)

功能为读取图1所示的表格文件。完成问题描述中的1-3步。

返回一个一个有   ['化学名','分子量','CAS','相对丰度']   四列的Pandas DataFrame变量

〓步骤4-5的实现方式〓

利用CAS号上网爬取对应化合物的介绍页面的网页源码。

从网页源码中遍历寻找中文名称和分子式。

这段是gethtml()函数，该函数调用以下3个自定义函数：

delete_0(df)

get_name_chinese(html)

get_name_chinese1(html1)

完成问题描述中的4-5步

返回的是分子式和中文名的list变量

〓步骤6的实现方式〓

将中文名称、匹配项名称(英文)，分子式、分子量、CAS、相对丰度填表并保存。

主函数main()调用read()、gethtml()、write()，最后将新表格保存在原路径。

最后实现的效果如图4，基本上CAS100开头的查不到，不晓得为什么。但是能交差就行。