Open in app

Sign in

Write

Sign in

【爬蟲有專攻】初探 Scrapy 爬蟲 — — 以爬取 15 萬筆線上醫療咨詢 QA 為例子

Nero Un Chi Hin 阮智軒
36 min readOct 28, 2023

--

（20240227 更新）——HuggingFace 資料集更新

前言 / 為甚麼？

之前在研究所的課程作業要求大家爬超過 10,000,000 個網頁，以前使用 bs4 + selenium 的經驗不太夠用。於是在一番研究後找到 Scrapy 這個開源的爬蟲框架。

本文架構

  • 甚麼是 Scrapy
  • Scrapy 的特點
  • 正文

甚麼是？

Scrapy

Scrapy 是 Python 的Crawling Framework，在 GitHub 上有 46,481 星星的好評，從 Data Mining、Monitoring 到自動化測試都有相對應的模組可以使用。相較其他爬蟲常見的工具 BeautifulSoup 和 Selenium 而言，Scrapy 是一個完整的框架，不需要太多其他的 pkg 就有很好的爬取成果（至於前端就是 Vue 和 Angular 的差別了 XD）；但它們還可以整合來一起使用、達到更好的爬蟲效果。

Scrapy 的特點

由於 Scrapy 計設是用於大規模的爬蟲，本身是支援 asynchronous 的、意味可以同時處理大量的 Request，另外可以設置AutoThrottling 避免爬取太快而產生異常流量而被封鎖的情況。

接下來介紹 Scrapy 不同的 Component：

  • Scrapy Engine：Scrapy的核心模組，負責控制每個 Component 的之間的傳遞 Request 和資料。
  • Spider：爬蟲程式；從這裡來定義要進行 Crawling 的對象。
  • Scheduler：排程器；用來針對目前 Spider 發起的 Request 來進行任務排程。
  • Item Pipeline：負責 Spider 所抓取的資料進行處理並儲存。
  • Downloader：負責下載由 Spider 向 Scheduler 爬取目標網站的 HTML。
  • Middleware：負責在 Spider 發送 Request 時執行一些客制化的功能。

How it’s work?

  • 在 Spider 定義要爬取的網站後，Spider 會先向 Engine發送 Request。
  • Engine在接收到Request 後會發送到Scheduler將其進行排程。
  • Scheduler 在安排任務排程後會將資料送點 Engine。
  • Engine 會發送 Request 請 Downloader 下載網站的 HTML。
  • Downloader 下載成功後會向 Engine 回傳 Response。
  • Engine 將Response 發送給 Spider 進行解析。
  • Spider 擷取 Response 裡的 HTML 後傳送到 Item Pipeline 中進行處理。
  • Item Pipeline 處理完 Response 後會將資料儲存。

Get Started

在使用 Scrapy 之前，需要先安裝 Scrapy。

pip install scrapy

接著，可以使用 scrapy startproject 指令建立一個新的 Scrapy 專案。

scrapy startproject ${your_project_name}

輸入指令後會生成相對應的專案資料夾，也和上面提到的 scrapy component 相同，結構如下：

├── ${your_project_name}
│   ├── __init__.py
│   ├── items.py
│   ├── middlewares.py
│   ├── pipelines.py
│   ├── settings.py
│   └── spiders
│       └── __init__.py
└── scrapy.cfg

在 settings.py 檔案中，可以設定 Scrapy 的一些參數，例如使用者代理、下載延遲等等。

USER_AGENT = 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)'
DOWNLOAD_DELAY = 0.5

建立一個新的爬蟲檔案的也很簡單，新增一個 .py 檔在 spiders 資料夾中就完成。其中 start_urls 是要爬取的目標，函式 parse 中撰寫的 Selector 和 Item 來進行網頁解析和資料提取。

from scrapy.selector import Selector
from myproject.items import MyItem

class MySpider(scrapy.Spider):
    name = 'myspider'
    start_urls = ['<http://www.example.com>']

    def parse(self, response):

        selector = Selector(response)
        item = MyItem()
        item['title'] = selector.xpath('//title/text()').extract_first()
        
    yield item

或是使用 Scarpy 內建的 Command 也有樣的效果：

scrapy genspider ${spider_name} ${target_domain_address}

最後，使用 scrapy crawl 指令執行爬蟲。

scrapy crawl ${your_spider_name}

範例

這邊以爬取臺灣 e 院為例子，臺灣 e 院是由衛生福利部所提供的線上醫療諮詢服務平台，由專業醫事人員在網路上提供答詢與引導就醫，節省病人轉診摸索的寶貴時間，避免錯誤看診浪費醫療資源。通過這個爬蟲，我們可以收集醫院的部門資訊、醫生的回答以及相關的文章資訊。

爬取目標

我們要爬取的對象是不同科別中的 Q&A 資料，從連結我們得知他是有一定的格式的，爬取這種網頁時會很方便。

從右上角的咨詢科別中可以獲得所有科別的連結，經 F12 開發者工具中我們可以看到他們共用同一個 class w3-col l4 m6 s6，所以可以使用以下程式碼來提取出科別列表：

department_list = response.css('div.w3-col.l4.m6.s6 a::attr(href)').extract()

而文章的連結也是具有相當的結構，以下面的 Q&A 為例：https://sp1.hso.mohw.gov.tw/doctor/All/ShowDetail.php?q_no=201839&SortBy=q_no&PageNo=1 q_no 是對應的文章編號、PageNo 對應是在科別的第一頁中。我們的目標是爬取「文章連結、文章編號、文章標題、文章內容、醫師科別、醫師名稱、醫師回覆」等資訊。

爬取結構

動手做

我們裡 spider 新增一個叫 tweh 的爬蟲。總共分為以下幾個部份:

tweh.py

  • 爬蟲初始化和基本配置:
  • 爬蟲的名字設定為 tweh，並且限制了爬取的域名只能是 sp1.hso.mohw.gov.tw。
  • start_urls 為臺灣 e 院的主頁。
  • 在 __init__ 方法中，設定了起始頁面號碼為 1。
import scrapy
from ..items import TaiwanEHospitalsItem
from tqdm import tqdm
from datetime import datetime


class TwehSpider(scrapy.Spider):

    name = 'tweh'
    allowed_domains = ['sp1.hso.mohw.gov.tw']

    start_urls = ['https://sp1.hso.mohw.gov.tw/doctor/Index1.php']

    def __init__(self):
        self.start_page_number = 1

解析主頁 (parse 函式):

  • 更新了已爬取的網站數量。
  • 每小時在日誌中記錄已爬取的網站數量。
  • 通過 CSS Selector 從主頁中提取所有的科別列表，並且對每個科別生成一個新的 Request 以獲取該科別的歷史頁面。
def parse(self, response):

        self.crawler.stats.inc_value('scraped_count')
        
        # check if an hour has passed since the last log
        if datetime.now().minute == 0:
            scraped_count = self.crawler.stats.get_value('scraped_count', 0)
            self.logger.info(f'Crawled {scraped_count} websites in the last hour')


        # example the department is in HTML <div class="w3-col l4 m6 s6"><a href="/doctor/All/index.php?d_class=內科" target="_top">內 科</a></div>

        department_list = response.css(
            'div.w3-col.l4.m6.s6 a::attr(href)').extract()

        history_page_param = '/doctor/All/history.php?UrlClass='

        for department in tqdm(department_list):
            department_name = department.split('=')[1]

            # next I want to extract the history of the department, from /doctor/All/history.php?UrlClass= {{ department }}
            # yield scrapy.Request(url=response.urljoin(history_page + department_name), callback=self.parse_history)

            history_page_number = scrapy.Request(url=response.urljoin(
                history_page_param + department_name), callback=self.parse_history_page_option_value)

            yield history_page_number

解析歷史頁面選項值 (parse_history_page_option_value 函式):

  • 從歷史頁面中提取所有的頁面頁碼。
  • 如果沒有找到頁面頁碼，則重新 Request 當前頁面並解析文章。
  • 如果找到了頁面頁碼，則從第 1 頁到最後一頁生成新的Request 並且解析每個頁面上的文章。
def parse_history_page_option_value(self, response):

        # exam//*[@id="PageNo"]/option[ number]

        history_page_number = response.css(
            '#PageNo option::attr(value)').extract()

        if len(history_page_number) == 0:
            yield scrapy.Request(url=response.urljoin(response.url), callback=self.parse_history_article)
        else:
            # start from 1 to the last page
            last_history_page_number = history_page_number[-1]

            for page_number in range(self.start_page_number, int(last_history_page_number) + 1):
                yield scrapy.Request(url=response.urljoin(response.url + '&SortBy=q_no&PageNo=' + str(page_number)), callback=self.parse_history_article)

解析歷史文章 (parse_history_article 函式):

  • 在這個方法中，首先創建了一個 TaiwanEHospitalsItem 來保存數據。
  • 然後從每個歷史頁面中提取所有的文章的 URL ，並且對每個文章生成新的請求以獲取文章的詳細資訊。
def parse_history_article(self, response):

        items = TaiwanEHospitalsItem()

        # when into this page, I want to extract the history article in the page, pattern is https://sp1.hso.mohw.gov.tw/doctor/All/ShowDetail.php?q_no=193985&SortBy=q_no&PageNo=1
        # the xpath is //*[@id="sidebar-content"]/div/div/div[1]/form/table/tbody/tr[1]/td[7]/a
        
        article_list = response.css('form table tbody tr td a::attr(href)').extract()

        for article in article_list:


            # article_department https://sp1.hso.mohw.gov.tw/doctor/All/history.php?UrlClass=%E9%AB%94%E9%81%A9%E8%83%BD&SortBy=q_no&PageNo=13, department is %E9%AB%94%E9%81%A9%E8%83%BD
            items['article_department'] = response.url.split('=')[
                1].split('&')[0]

            yield scrapy.Request(url=response.urljoin(article), callback=self.parse_article, meta={'item': items})

解析文章 (parse_article 函式):

  • 從 Request 中獲取 item 。
  • 提取文章連結、文章編號、文章標題、文章內容、醫師科別、醫師名稱、醫師回覆，並保存在 item 中。
  • 最後，將 item 輸出，以便將數據保存到本地或者發送到某個線上的數據庫。
def parse_article(self, response):

        # when into this page, I want to extract the article information, pattern is https://sp1.hso.mohw.gov.tw/doctor/All/ShowDetail.php?q_no=193985&SortBy=q_no&PageNo=1

        items = response.meta['item']
        
        items['crawl_time'] = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
        
        items['article_url'] = response.url

        # article_no xpath like /html/body/div/div/div/div/div[2]/div[1]/div[1]/h2
        items['article_no'] = response.xpath(
            '/html/body/div/div/div/div/div[2]/div[1]/div[1]/h2/text()').extract()

        # article_name xpath like /html/body/div/div/div/div/div[2]/div[1]/div[2]/h2
        items['article_name'] = response.xpath(
            '/html/body/div/div/div/div/div[2]/div[1]/div[2]/h2/text()').extract()

        # article_doctor xpath like /html/body/div/div/div/div/div[2]/div[3]/div[1]/div[2]/div
        items['article_doctor'] = response.xpath(
            '/html/body/div/div/div/div/div[2]/div[3]/div[1]/div[2]/div/text()').extract()

        # article_content xpath like /html/body/div/div/div/div/div[2]/div[2]/div[2]/div
        items['article_content'] = response.xpath(
            '/html/body/div/div/div/div/div[2]/div[2]/div[2]/div/text()').extract()

        # article_answer xpath like /html/body/div/div/div/div/div[2]/div[3]/div[2]/div
        items['article_answer'] = response.xpath(
            '/html/body/div/div/div/div/div[2]/div[3]/div[2]/div/text()').extract()

        yield items

完整的 Spider 程式碼

import scrapy
from ..items import TaiwanEHospitalsItem
from tqdm import tqdm
from datetime import datetime


class TwehSpider(scrapy.Spider):

    name = 'tweh'
    allowed_domains = ['sp1.hso.mohw.gov.tw']

    start_urls = ['https://sp1.hso.mohw.gov.tw/doctor/Index1.php']

    def __init__(self):
        self.start_page_number = 1

    def parse(self, response):

        self.crawler.stats.inc_value('scraped_count')
        
        # check if an hour has passed since the last log
        if datetime.now().minute == 0:
            scraped_count = self.crawler.stats.get_value('scraped_count', 0)
            self.logger.info(f'Crawled {scraped_count} websites in the last hour')


        # example the department is in HTML <div class="w3-col l4 m6 s6"><a href="/doctor/All/index.php?d_class=內科" target="_top">內 科</a></div>

        department_list = response.css(
            'div.w3-col.l4.m6.s6 a::attr(href)').extract()

        history_page_param = '/doctor/All/history.php?UrlClass='

        for department in tqdm(department_list):
            department_name = department.split('=')[1]

            # next I want to extract the history of the department, from /doctor/All/history.php?UrlClass= {{ department }}
            # yield scrapy.Request(url=response.urljoin(history_page + department_name), callback=self.parse_history)

            history_page_number = scrapy.Request(url=response.urljoin(
                history_page_param + department_name), callback=self.parse_history_page_option_value)

            yield history_page_number

    def parse_history_page_option_value(self, response):

        # exam//*[@id="PageNo"]/option[ number]

        history_page_number = response.css(
            '#PageNo option::attr(value)').extract()

        if len(history_page_number) == 0:
            yield scrapy.Request(url=response.urljoin(response.url), callback=self.parse_history_article)
        else:
            # start from 1 to the last page
            last_history_page_number = history_page_number[-1]

            for page_number in range(self.start_page_number, int(last_history_page_number) + 1):
                yield scrapy.Request(url=response.urljoin(response.url + '&SortBy=q_no&PageNo=' + str(page_number)), callback=self.parse_history_article)

    def parse_history_article(self, response):

        items = TaiwanEHospitalsItem()
        # when into this page, I want to extract the history article in the page, pattern is https://sp1.hso.mohw.gov.tw/doctor/All/ShowDetail.php?q_no=193985&SortBy=q_no&PageNo=1
        # the xpath is //*[@id="sidebar-content"]/div/div/div[1]/form/table/tbody/tr[1]/td[7]/a
        article_list = response.css(
            'form table tbody tr td a::attr(href)').extract()

        for article in article_list:


            # article_department https://sp1.hso.mohw.gov.tw/doctor/All/history.php?UrlClass=%E9%AB%94%E9%81%A9%E8%83%BD&SortBy=q_no&PageNo=13, department is %E9%AB%94%E9%81%A9%E8%83%BD
            items['article_department'] = response.url.split('=')[
                1].split('&')[0]

            yield scrapy.Request(url=response.urljoin(article), callback=self.parse_article, meta={'item': items})

    def parse_article(self, response):

        # when into this page, I want to extract the article information, pattern is https://sp1.hso.mohw.gov.tw/doctor/All/ShowDetail.php?q_no=193985&SortBy=q_no&PageNo=1

        items = response.meta['item']
        
        items['crawl_time'] = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
        
        items['article_url'] = response.url

        # article_no xpath like /html/body/div/div/div/div/div[2]/div[1]/div[1]/h2
        items['article_no'] = response.xpath(
            '/html/body/div/div/div/div/div[2]/div[1]/div[1]/h2/text()').extract()

        # article_name xpath like /html/body/div/div/div/div/div[2]/div[1]/div[2]/h2
        items['article_name'] = response.xpath(
            '/html/body/div/div/div/div/div[2]/div[1]/div[2]/h2/text()').extract()

        # article_doctor xpath like /html/body/div/div/div/div/div[2]/div[3]/div[1]/div[2]/div
        items['article_doctor'] = response.xpath(
            '/html/body/div/div/div/div/div[2]/div[3]/div[1]/div[2]/div/text()').extract()

        # article_content xpath like /html/body/div/div/div/div/div[2]/div[2]/div[2]/div
        items['article_content'] = response.xpath(
            '/html/body/div/div/div/div/div[2]/div[2]/div[2]/div/text()').extract()

        # article_answer xpath like /html/body/div/div/div/div/div[2]/div[3]/div[2]/div
        items['article_answer'] = response.xpath(
            '/html/body/div/div/div/div/div[2]/div[3]/div[2]/div/text()').extract()

        yield items

pipeline.py

有了爬蟲後就要定義對內容進行甚麼樣的處理，在 scrapy 中 pipeline 就是對應的是架構圖中 item pipeline 的 pipeline，負責對爬回來的資料進行處理。

DuplicateUrlPipeline:

  • 建立一個 set urls_seen 來記錄已見過的 URL。
  • 如果 article_url 已在 set 中，則跳過該 url ；否則，將 article_url 添加到 set 中。

SkipItemPipeline:

  • 如果爬取的 url 以 .pdf、.doc 或 .docx 結尾，則去除該 URL 的項目。

SkipEmailPipeline:

  • 如果爬取的 url 以 mailto: 開頭，則去除該 URL 的項目。

TaiwanEHospitalsPipeline:

  • 定義了一個 clean_text 函數來清理文本，移除不必要的字串。
  • 清理 article_answer、article_content 和 article_name 的指定內容。
  • 從 article_doctor 字段中提取醫師的姓名。
  • 將 article_department 字段的值進行 URL 解碼。
  • 從 article_no 字段中移除 # 字符。
  • 將 article_url 字段的值進行 MD5 編碼。
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter
from scrapy.exceptions import DropItem
from urllib.parse import unquote
import re
from .items import MillionsCrawlerItem
from hashlib import md5



class DuplicateUrlPipeline:
    def __init__(self):
        self.urls_seen = set()

    def process_item(self, item, spider):
        if item['article_url'] in self.urls_seen:
            raise DropItem("Duplicate item found: %s" % item)
        else:
            self.urls_seen.add(item['article_url'])
            return item


class SkipItemPipeline:
    '''
    Skip item if the url ends with .pdf, .doc, or .docx
    '''

    def process_item(self, item, spider):
        if item['url'].endswith('.pdf') or item['url'].endswith('.doc') or item['url'].endswith('.docx'):
            raise DropItem("Skip item found: %s" % item)
        else:
            return item


class SkipEmailPipeline:
    '''
    Skip item if the url starts with mailto:
    '''

    def process_item(self, item, spider):
        if item['url'].startswith('mailto:'):
            raise DropItem("Skip item found: %s" % item)
        else:
            return item


class TaiwanEHospitalsPipeline:

    def process_item(self, item, spider):

        def clean_text(text):
            cleaned_text = ''.join(text)
            cleaned_text = cleaned_text.replace('\r', '').replace('\n', '').replace(
                ' ', '').replace('\\', '').replace('\u3000', '').replace('\xa0', '').replace('\t', '')
            return cleaned_text

        # Clean article_answer
        if isinstance(item['article_answer'], list):
            item['article_answer'] = clean_text(item['article_answer'])
        else:
            item['article_answer'] = clean_text(item['article_answer'])

        # Clean article_content
        if isinstance(item['article_content'], list):
            item['article_content'] = clean_text(item['article_content'])
        else:
            item['article_content'] = clean_text(item['article_content'])

        # Clean article_name
        if isinstance(item['article_name'], list):
            item['article_name'] = clean_text(item['article_name'])
        else:
            item['article_name'] = clean_text(item['article_name'])

        # extract the doctor name from article_doctor
        item['article_doctor'] = ''.join(item['article_doctor'])
        item['article_doctor'] = re.findall(
            r'／([^，]+),', item['article_doctor'])[0]

        if '／' in item['article_doctor']:
            item['article_doctor'] = item['article_doctor'].split('／')[0]

        # decode article_department, example %E4%B8%AD%E9%86%AB%E7%A7%91 => 中醫科
        item['article_department'] = unquote(item['article_department'])

        # remove the article_no #, example #123456 => 123456, the article_no type is list
        item['article_no'] = ''.join(item['article_no']).replace('#', '')

        # use md5 to compress the url
        item['article_url'] = md5(
            item['article_url'].encode('utf-8')).hexdigest()

        return item

item.py

item.py 對應的是架構圖中 item pipeline 的 item，功能是對抓取的資料進行儲存

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class TaiwanEHospitalsItem(scrapy.Item):
    # with tweh
    crawl_time = scrapy.Field()
    article_department = scrapy.Field()
    article_doctor = scrapy.Field()
    article_url = scrapy.Field()
    article_no = scrapy.Field()
    article_name = scrapy.Field()
    article_content = scrapy.Field()
    article_answer = scrapy.Field()
    pass

setting.py

最後來到 setting 的部份，要從 pipeline 中的 class 新增到 ITEM_PIPELINES 才能生效。

# Scrapy settings for millions_crawler project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html
import datetime

# load the .env file
load_dotenv()

BOT_NAME = "millions_crawler"

# SCHEDULER = "scrapy_redis.scheduler.Scheduler"

SPIDER_MODULES = ["millions_crawler.spiders"]


# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 100


# Disable cookies (enabled by default)
COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False


# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   "millions_crawler.pipelines.TaiwanEHospitalsPipeline": 300,
   "millions_crawler.pipelines.DuplicateUrlPipeline": 350,
   "millions_crawler.pipelines.SkipItemPipeline": 350,
   "millions_crawler.pipelines.SkipEmailPipeline": 600,

}


# Set settings whose default value is deprecated to a future-proof value
REQUEST_FINGERPRINTER_IMPLEMENTATION = "2.7"
TWISTED_REACTOR = "twisted.internet.asyncioreactor.AsyncioSelectorReactor"
FEED_EXPORT_ENCODING = "utf-8"

成果

最後我們 1.3 小時裡爬取了 15 萬篇文章。後續我有將爬取回來的資料存到 mongoDB 中，詳情可以看這個 repo。

（20240227 更新）

一直忘了更新 XD 我最後有把資料集放到 HuggingFace 上了，歡迎取用

NeroUCH/online-health-chating · Datasets at Hugging Face

We're on a journey to advance and democratize artificial intelligence through open source and open science.

huggingface.co

總結

這是一篇拖稿了大半年的技術筆記 XD

身為超音波研究室的研究生對 NLP 或是爬蟲是絕對沒有同類型研究室來得專業；因此在碩二下才跑去別人的研究室專論課程中修了一學期的 Web Mining / NLP 等等技術。

授課的盧文祥老師是成大資工的 NLP / Web Mining / ChatBot 專家，他們的研究室也是在成大資工系 8 樓、可謂是鄰居一般的存在 XD （超音波實驗室也在 8 樓）。

接觸 Scrapy 前都只使用 BeautifulSoup 和 Request 加其他工具來爬取資料，老實說在寫法和複用性上都是很差的；因應資料後續是有規畫用於 LLM 的訓練，所以會同時爬取不同線上醫療咨詢問網站，所以要挑選新的框架來測試看看能不能更有效率。事實也證明後續爬多個不同網站、共獲得 827, 798 筆資料時花不到 1 天，總開發時間也不到 3 天，真是非常好用和易上手！

需然老師每次的作業目標每次聽下來都很嚇人，甚麼爬百萬計的網站、手動做出一個搜尋引擎等等。但也因為這次修課的機會學習到更多網絡探勘及相關的知識。

也和大家分課上課時的筆記地圖（也幫 Heptabase 宣傳一下，它是一款台灣團隊開發的知識管理軟體，我從研究生修課做研究到現在當顧問分析問題都在使用，大推！）

結尾 MurMur

Reference

  1. GitHub | fake-useragent
  2. GitHub | scrapy
  3. 【Day 20】反反爬蟲
  4. Documentation of Scrapy
  5. Scrapy vs. Beautiful Soup: A Comparison of Web Scraping Tools
  6. BeautifulSoup vs Selenium vs Scrapy 三大 Python 網頁爬蟲實作工具的比較
Scrapy
Web Crawler
Python

--

--

Nero Un Chi Hin 阮智軒

Written by Nero Un Chi Hin 阮智軒

151 Followers

專注透過資訊科技影響世界。 現職 IBM 為的 Consultant，曾在生醫新創擔任 RD & TPM；畢業於成功大學醫學資訊研究。 歡迎交流！| Linkedin: https://www.linkedin.com/in/nerouch/

Help

Status

About

Careers

Press

Blog

Privacy

Terms

Text to speech

Teams