【问题标题】:Webscraping articles - individual coauthor data网页抓取文章 - 个人共同作者数据
【发布时间】:2019-11-10 00:06:43
【问题描述】:

我正在抓取发表在 Milbank Quarterly 上的文章。我对有关作者及其所属机构的数据特别感兴趣。我使用 beautifulsoup 和 pandas 库编写了代码,因此我的输出保存为 csv。 csv 每篇文章包含一行。这意味着对于有多个作者的文章,“作者”列包含所有作者,“机构”列包含与该文章合着的所有作者的机构。相反,我希望输出是 csv 每个作者有一行;换句话说,每篇文章多行。这是因为我想最终计算每个机构在期刊中出现的次数。

我使用 beautifulsoup .find_all 方法来获取我的所有数据。最初,我尝试使用 .find_all_next 来获取作者和机构,认为这样可以容纳具有多个作者的文章,但对于这些列却没有任何回报。

对我来说,重写此代码以使每个作者都有自己的行的最佳方法是什么?

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")

【问题讨论】:

  • find_all() 提供列表,因此您可以使用for-loop 单独处理每个元素。
  • 您也可以使用zip() 同时处理多个列表 - 即。 for name, address in zip(author, url): print(name, address)

标签: python pandas beautifulsoup


【解决方案1】:

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,因为某些作者不包含元属性然后返回 None。每个元属性不需要多个列表,你可以用字典管理,这里我格式化data by author和相关的所有元属性。

strip() Python 的内置函数用于从字符串中删除所有前导和尾随空格。

import requests
from bs4 import BeautifulSoup
import pandas as pd

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'
                ]

base_url = 'https://onlinelibrary.wiley.com'

json_data = []

for issue in issueurllist:
    response1 = requests.get(issue)
    soup1 = BeautifulSoup(response1.text, 'lxml')

    for article in issue:
        doi=[a.get('href') for a in soup1.find_all('a', title = "Full text")]

    for i in doi:
        article_dict = {"article":"NaN","title":"NaN","vol":"NaN","issue":"NaN","author":"NaN","institution":"NaN","url":"NaN"}
        article_url = base_url + i
        response2 = requests.get(article_url)
        soup2=BeautifulSoup(response2.text, 'lxml')

        '''Get metadata for each article'''

        article = soup2.find("span", {"class":"primary-heading"})
        title = soup2.find("meta",{"name":"citation_title"})
        vol = soup2.find("meta",{"name":"citation_volume"})
        issue  = soup2.find("meta",{"name":"citation_issue"})
        author  = soup2.find("meta",{"name":"citation_author"})
        institution = soup2.find("meta",{"name":"citation_author_institution"})
        url = soup2.find("meta",{"name":"citation_fulltext_html_url"})

        if article is not None:
            article_dict['article']= article.text.strip()

        if title is not None:
            article_dict['title']= title['content'].strip()

        if vol is not None:
            article_dict['vol']= vol['content'].strip()

        if issue is not None:
            article_dict['issue']= issue['content'].strip()

        if author is not None:
            article_dict['author']= author['content'].strip()

        if institution is not None:
            article_dict['institution']= institution['content'].strip()

        if url is not None:
            article_dict['url']= url['content'].strip()

        json_data.append(article_dict)

df=pd.DataFrame(json_data)
df.to_csv('milbank2018.csv')

【讨论】:

  • 你的代码只检索第一作者。共同作者没有自己的行。我正在努力做到这一点,如果一篇文章有​​多个作者,每个作者在输出中都有自己的行。对于有多个作者的文章,有多个带有属性“name=citation_author”的元标记。
  • @C.K.提供包含多个作者的文章 URL。
  • @QHarr 提供了一个很好的例子。请参考那篇文章。
猜你喜欢
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2021-10-15
相关资源
最近更新 更多