使用Python遍历不同的网页

Question

我目前正在学习大数据课程，但是对它的了解不多。 对于一项任务，我想找出有关阿姆斯特丹的TripAdvisor论坛上讨论了哪些主题。 我想创建一个CSV文件，其中包括主题，作者和每个主题的回复数量。 一些问题：

1. 如何列出所有主题？ 我检查了所有页面的网站源，并且总是在'onclick="setPID(34603)'后面声明该主题，并以</a>结尾。我尝试了'(re.findall(r'onclick="setPID(34603)">(.*?)</a>' ，post）'，但它不起作用。
2. 答复不在commentsection中给出，而是在页面的单独一行中给出。 如何进行循环并将所有答复附加到新变量中？
3. 如何循环浏览前20页？ 我代码中的URL仅包含第一页，提供20个主题。
4. 是否在循环之前或之后创建CSV文件？

这是我的代码：

from urllib import request
import re
import csv

topiclist=[]
metalist=[]

req = request.Request('https://www.tripadvisor.com/ShowForum-g188590-i60- 
Amsterdam_North_Holland_Province.html', headers={'User-Agent' : 
"Mozilla/5.0"})

tekst=request.urlopen(req).read()
tekst=tekst.decode(encoding="utf-8",errors="ignore").replace("\n"," ")
.replace("\t"," ")


topicsection=re.findall(r'<b><a(.*?)</div>',tekst)

topic=[]
for post in topicsection:
   topic.append(re.findall(r'onclick="setPID(34603)">(.*?)</a>', post)


author=[]
for post in topicsection: 
   author.append(re.findall(r'<a href="/members-forums/.*?">(.*?)</a>', 
   post))

replies=re.findall(r'<td class="reply rowentry.*?">(.*?)</td>',tekst)

Answer 1

不要使用正则表达式来解析HTML。 使用html解析器，例如beautifulsoup。

例如-

from bs4 import BeautifulSoup
import requests

r = requests.get("https://www.tripadvisor.com/ShowForum-g188590-i60-Amsterdam_North_Holland_Province.html")
soup = BeautifulSoup(r.content, "html.parser") #or another parser such as lxml
topics = soup.find_all("a", {'onclick': 'setPID(34603)'})
#do stuff