[英]Loop over different webpages using Python
我目前正在學習大數據課程,但是對它的了解不多。 對於一項任務,我想找出有關阿姆斯特丹的TripAdvisor論壇上討論了哪些主題。 我想創建一個CSV文件,其中包括主題,作者和每個主題的回復數量。 一些問題:
'onclick="setPID(34603)'
后面聲明該主題,並以</a>
結尾。我嘗試了'(re.findall(r'onclick="setPID(34603)">(.*?)</a>'
,post)',但它不起作用。 這是我的代碼:
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)
不要使用正則表達式來解析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
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.