ByDrug 医药公众号监控报告

Python 自动化采集脚本

通过 HTTP 请求访问 ByDrug 各来源页面，解析 HTML 提取文章列表，对比已有数据进行增量检测。

# 核心采集逻辑
import requests
from bs4 import BeautifulSoup

def fetch_source_articles(source_name):
    url = f"https://bydrug.pharmcube.com/news/summary/source/{source_name}"
    resp = requests.get(url, headers={"User-Agent": "Mozilla/5.0..."})
    soup = BeautifulSoup(resp.text, 'html.parser')
    # 解析文章列表...
    return articles

• 运行频率：建议每日 1-2 次（早 9:00 / 晚 18:00）
• 采集延迟：每次请求间隔 ≥ 0.5 秒，避免触发限流
• 增量检测：存储已采集文章 URL 的 hash，仅报告新增文章
• 告警方式：支持写入本地文件 / 发送邮件 / Webhook 通知

浏览器书签 + 定期巡检

将目标来源 URL 保存为浏览器书签文件夹，每日打开检查最新文章。

• 适用于监控来源 ≤ 10 个的场景
• 无需技术基础，但效率较低
• 适合临时/低频监控需求

时效性评估

• 高时效来源（小时内更新）：98 个来源在数小时内发布了新文章，说明 ByDrug 对主要来源的同步延迟较低
• 日更来源（昨天更新）：51 个来源最近一次更新在昨天，属于正常更新频率
• 低频来源（≥2天前）：26 个来源最近更新在2天前或更早，可能是周更/月更公众号或已停更
• 无内容来源：4 个来源暂无任何文章，可能为原始内容标签或已废弃
• 同步延迟估算：根据更新时间分布，预估 ByDrug 对活跃来源的同步延迟在 1-4 小时之间

1. 平台覆盖范围限制

• ByDrug 是医药行业垂直聚合平台，仅收录医药/医疗/生物技术相关公众号
• 不是通用微信公众号聚合器，无法用于监控非医药领域公众号
• 来源发现依赖关键词搜索，不能保证覆盖 ByDrug 收录的所有来源（搜索式发现具有概率性）

4. 数据完整性问题

• ByDrug 展示的是转载/聚合版本，非微信公众号原始链接（非 mp.weixin.qq.com）
• 可能缺少原文中的图片、视频等富媒体内容
• 存在选择性收录：不是公众号的所有文章都会被收录
• 文章在 ByDrug 上的发布时间 ≠ 公众号原始发布时间，存在同步延迟

5. 搜索发现的不完整性

• 本报告中的 179 个来源通过 40+ 医药关键词搜索发现
• 存在未被关键词匹配到的来源 — 实际收录来源数可能 > 179
• 新增来源（新收录的公众号）需要定期重新搜索才能发现

可行性评级：可实施，需注意风险

ByDrug 作为第三方聚合平台，基本满足日常医药行业公众号监控需求。主要风险集中在平台依赖和页面变更上。建议采用以下策略降低风险：

• 核心公众号（5个目标）：每日自动化采集 + 每周手动抽查
• 扩展监控（其他来源）：按需采集，降低整体请求量
• 冗余设计：脚本内置异常检测，连续3次失败自动告警
• 定期维护：每月检查来源列表和脚本可用性