致谢
感谢孔哥@FieldSoft-HelloClyde 在Java方面的帮助:sunglasses:
更新
- 「百度医生」已经于2017年4月1日正式关闭，为了让开源社区能够继续利用这份数据，我们已经公开于2016年5月29日从「百度医生」上爬取的全国三甲医院数据（
.xlsx数据文件和.html页面源文件）。由于后续网站的样式不断再改变，使得之前编写的爬虫代码失效，因此这批数据是最后的数据了，显然这批数据有时效性的问题。另外由于众所周知的百度医疗事件，请自行承担使用该数据的后果。
百度医生关停公告
关停时间安排如下：
2017年3月10日起，停止提供预约挂号、快速咨询、专家咨询服务，同时下线第三方提供的其它所有服务，之前生成的有效订单可正常使用；
2017年3月24日起，积分商城关闭，积分余额将无法使用；
2017年3月31日起，停止提供查询功能，包括历史订单、健康档案等所有用户记录，请您务必在此之前自行留存重要数据，以免损失；
2017年4月1日，产品正式关停并清空数据。
自从「魏则西事件」以来，出于兴趣想爬取一份全国三甲医院名单。本项目做练习用，请自行承担使用该数据的后果。
**医院采用“三级十等”来划分级别。从低到高分别是“一级丙等、一级乙等、一级甲等、二级丙等、二级乙等、二级甲等、三级丙等、三级乙等、三级甲等、三级特等”。“三级特等”极少，因此归入“三级甲等”，可以说三甲医院就是最高级别的医院。（此外需要注意，部分医院为了对外宣传，常在主页上将“三乙”“三丙”级别的医院称作“三级”医院，他们不是“三甲”，请注意！）
经过初步调研，有如下几个数据库：
-
国家卫计委（原卫生部）入口的官方全国数据库 - **医院等级查询系统HQMS。
- 数据库虽写着“医院信息来源截止至XX年XX月XX日”，但其实该日期总为系统当天。实际比对发现已经比较过时（例如，与黑龙江省卫计委独立提供的官方数据相比，缺失近1/3三甲医院）。
- 不新、不全、不含部队医院和中医院（似乎不归卫计委管辖）。
-
- 仿维基百科式的数据库，界面较为直观清爽。也提供除了医院名单外其他医学信息。
- 抽检发现仍有误，但未具体统计覆盖率和正确率。
- 由于本人调研时间为2016年05月左右，当时检查该条目的修订历史，发现2015年8月25日起就未修订过。该条目自2016年7月21日起修订较频繁。但由于是网络百科，网友可自由修订，修订者水平不一，请自行判断。（但有这样一个百科无疑是十分幸运的，有精力的网友可以用本项目的爬虫数据继续为该百科做出贡献！）
-
百度医生（已于2017年4月1日正式关闭）
- 仅就百度医生的黑龙江省的三甲数据和黑龙江省卫计委独立提供的官方三甲数据做对比，发现基本符合（有极个别出入、冗余）。
- 流量入口位于百度，普通人参与几率较高，相应的，百度团队的信息更新频率也高。
- 百度出品，本练习基于该数据库，请自行判断可信与否，请谨慎参考。
对于全国三甲医院总数，各个数据库显示不同。「**医院等级查询系统HQMS」显示约700+，但这个数据不包含军队医院和中医院。「A-hospital 医学百科」亦有名单，但本人没有对其统计。「百度医生」则显示约1300+，鉴于本项目采集自「百度医生」，分析其各地区分布主要如下所示（2016年5月29日数据）：
- 华北地区 212
- 北京市 72
- 天津市 31
- 河北省 47
- 山西省 48
- 内蒙古自治区 14
- 东北地区 161
- 辽宁省 53
- 吉林省 30
- 黑龙江省 78
- 华东地区 463
- 上海市 53
- 江苏省 68
- 浙江省 77
- 安徽省 48
- 福建省 45
- 江西省 46
- 山东省 99
- 中南地区 336
- 河南省 59
- 湖北省 70
- 湖南省 44
- 广东省 121
- 广西壮族自治区 32
- 海南省 10
- 西南地区 111
- 重庆市 22
- 四川省 53
- 贵州省 18
- 云南省 17
- 西藏自治区 1
- 西北地区 78
- 陕西省 32
- 甘肃省 19
- 青海省 9
- 宁夏回族自治区 6
- **维吾尔自治区 12
合计：1334（不含香港特别行政区、澳门特别行政区、**地区）
但该数据也有冗余和错误，这锅我不背都是爬虫的统计结果我只是搬运工（此句划掉）（见下方数据已知缺陷讨论），此结果仅供参考。
2016年05月
示例文件：浙江省三甲医院基本数据（未精校）
所有公开数据位于data目录下，每一个子目录是一个**大陆一级行政区（不含香港特别行政区、澳门特别行政区、**地区）名字，合计31个。
每一个行政区子目录下，一般有如下文件：
-
*.xlsx该行政区下三甲医院的基本数据（含医院名、所在地级市、地址、电话、简介）。 -
html该目录下是该行政区下所有三甲医院在「百度医生」上的原始页面，可以用浏览器打开。由于这是原始页面，包含的信息比前述*.xlsx更多（*.xlsx正是从中抓取了部分信息），你可以自己编写正则表达式来抓取更丰富的信息（如重点科室等）。
由于**医院的情况本身异常复杂，即使经过「百度医生」团队的审核和整理，最后爬取的结果还是有许多缺陷。本项目下的.xlsx文件内的数据没有经过精校，目前已知的错误有：
-
一院多名干扰：随着发展，医院的全称是不断再改变的，一个医院甚至多达三个名字的情况都不少见。比如哈尔滨医科大学附属肿瘤医院，又叫哈尔滨医科大学附属第三医院，又叫黑龙江省肿瘤医院。有时候会重复。
-
分院重复：“XX分院”“XX院区”有时是单独的，有时又并入总院一个条目。
-
中文简称现象：如“中医院”和“中医医院”、“黑龙江”和“黑龙江省”在部分条目中会混用，尽管医院本身都有一个切确的名字，但是在这么多医院录入数据库的时候就容易出现偏差。还有“**人民解放军第二〇五医院”、“第二0五医院”、“第205医院”混用等。
-
错误现象：比如误将有的“三级”医院误列入“三甲”名单等。
本项目所爬取的数据已经全部公开，如果您有精力，可以在此基础上为其精校。
对于每一个三甲医院条目（excel表中一行），可进行下述工作：
首先，大致浏览该条目，有没有出现上述不规范细节、缺少信息，通常一眼看去就能大概看出条目是否有大问题。
然后，在搜索引擎中搜索该医院，校对、修正细节，下面要点供参考：
-
医院级别
- 首要确定该点，若发现是“三级”而不是“三甲”，请剔除该条目。
-
医院全称
-
检查是否规范。如上面提到的如“中医院”/“中医医院”、“黑龙江”/“黑龙江省”、“第二〇五医院”/“第二0五医院”/“第205医院”情形。
-
部分医院名字有多个，请在该栏内填入正规常用的全称，其余名字可以补充到最后一栏“别名”。此外“第X医院”视为不同医院，但“XX院区”视为同一医院，请合并，并将地址合并。
-
-
医院地址
-
如发现缺省名的，补全；
-
如发现缺少门牌号的，补全；
-
如有多个院区的，则可以改成如下格式“辽宁省沈阳市和平区三好街36号(南湖院区);辽宁省沈阳市铁西区滑翔路39号(滑翔院区)”。
-
-
总机电话
- 如果遇到个别条目没有电话、格式不对、列了多个电话的，请搜索后填入只填入总机电话即可。因为医院电话一般有很多，除了总机电话还有什么门诊、预约、咨询电话，若没有总机电话则选一个你认为有代表性的电话即可。
-
官方网址
- 此栏目前全空着，请填入查到的官方网址。一般来说百度已经认证了大部分的官方网站，标志很明显。但注意有些医院并没有官方网址，请勿填入诸如haodf.com、yyk.fh21.com.cn/、yyk.39.net/、yyk.99.com.cn/之类的网址！
-
医院简介
- 检查是否有张冠李戴的情况。
- 缺少就摘一段补上。
公开数据采集的时间点是2016年5月29日。鉴于「百度医生」已经关闭，无法从源进行更新。如您有时效性的需要，恐怕只能自行采用手动更新了。
更新：
- 随着「百度医生」页面的样式不断改变，以及最终的关闭，这部分已经失效。:disappointed_relieved:
该部分用于抓取各医院的页面地址。
.java源代码位于./src下，用javac来将其转化成.class文件。
注意依赖的gson-2.5.jar位于./lib下，因此需要用-classpath（或简写-cp）来指定依赖包位置。
-d用于指定生成.class文件的位置。
$ cd src/
$ javac -classpath ../lib/gson-2.5.jar -d ../bin *.java
执行Main.class文件：
$ cd ../bin/
$ java -classpath .:../lib/gson-2.5.jar Main
生成的结果位于./url内：
$ cd ../url/
$ ls
hn_hospital_url.txt
默认以抓取海南的三甲医院名单为例，更换其他省份需修改Main.java中的provId值（地域代码）；同理如需获取“三级”、“三乙”等，需修改Main.java中的hospitalLvl值。
该部分用于批量下载页面，并从页面抓取信息。
根据网址批量下载页面可以使用wget:
$ wget -i hn_hospital_url.txt
需等候一段时间，结束后可以执行提取信息脚本extract.sh:
$ ./src/extract.sh
可以用 Python 的 Pandas 来自动提取信息并生成电子表格。