我正在搜集发表在米尔班克季刊上的文章。我特别感兴趣的是关于作者和他们的机构关系的数据。我已经使用beautifulsoup和pandas库编写了代码,以便将输出保存为csv。csv为每篇文章包含一行。这意味着对于有多个作者的文章,“author”列包含所有作者,“institution”列包含共同撰写文章的作者的所有机构。相反,我希望csv的输出是每个作者有一行;换句话说,每个文章有多行。这是因为我想最终统计每个机构在《华尔街日报》上的代表次数。你知道吗
我使用beautifulsoup.find_all
方法获取所有数据。最初,我尝试使用.find_all_next
来获取作者和机构,认为这样可以容纳多个作者的文章,但对于那些列来说没有任何结果。你知道吗
我重写这段代码的最佳方法是什么,这样每个作者都有自己的行?你知道吗
import pandas as pd
import numpy as np
import requests
import re
import urllib
from bs4 import BeautifulSoup
from bs4 import SoupStrainer
articletype=list()
articlelist=list()
titlelist=list()
vollist=list()
issuenumlist=list()
authorlist = list()
instlist = list()
urllist=list()
issueurllist = ['https://onlinelibrary.wiley.com/toc/14680009/2018/96/1', 'https://onlinelibrary.wiley.com/toc/14680009/2018/96/2','https://onlinelibrary.wiley.com/toc/14680009/2018/96/3','https://onlinelibrary.wiley.com/toc/14680009/2018/96/4']
for issue in issueurllist:
requrl = requests.get(issue)
soup = BeautifulSoup(requrl.text, 'lxml')
#Open url of each article.
baseurl = 'https://onlinelibrary.wiley.com'
for article in issue:
doi=[a.get('href') for a in soup.find_all('a', title = "Full text")]
for d in doi:
doilink = baseurl + d
opendoi = requests.get(doilink)
articlesoup=BeautifulSoup(opendoi.text, 'lxml')
```Get metadata for each article```
for tag in articlesoup:
arttype=articlesoup.find_all("span", {"class":"primary-heading"})
title=articlesoup.find_all("meta",{"name":"citation_title"})
vol=articlesoup.find_all("meta",{"name":"citation_volume"})
issuenum = articlesoup.find_all("meta",{"name":"citation_issue"})
author = articlesoup.find_all("meta",{"name":"citation_author"})
institution=articlesoup.find_all("meta",{"name":"citation_author_institution"})
url=articlesoup.find_all("meta",{"name":"citation_fulltext_html_url"})
articletype.append(arttype)
titlelist.append(title)
vollist.append(vol)
issuenumlist.append(issuenum)
authorlist.append(author)
instlist.append(institution)
urllist.append(url)
milbankdict={'article type':articletype, 'title':titlelist, 'vol':vollist, 'issue':issuenumlist,'author':authorlist, 'author institution':instlist, 'url':urllist}
milbank2018=pd.DataFrame(milbankdict)
milbank2018.to_csv('milbank2018.csv')
print("saved")
find_all方法总是返回一个列表,如您所见,我正在验证
tag_object is not None
,这是一个重要的测试用例,因为有些作者不包含meta属性,然后返回None。每个元属性不需要多个列表,您可以使用字典进行管理,这里我正在格式化data by author
和相关的所有元属性。你知道吗strip()Python的内置函数用于删除字符串中的所有前导和尾随空格。你知道吗
相关问题 更多 >
编程相关推荐