使用查询抓取网页

Question

我正在尝试从特定网站或整个网络中抓取期刊的影响因子。我一直在寻找一些接近但运气不好的东西..

这是我第一次尝试使用 python 进行网络抓取。我试图找到最简单的方法。

我有一份属于期刊的 ISSN 编号列表，我想从 Web 或特定站点检索它们的影响因子值。该列表有超过 50K 的值，因此手动搜索这些值实际上很困难。

输入类型

Index,JOURNALNAME,ISSN,Impact Factor 2015,URL,ABBV,SUBJECT
1,4OR-A Quarterly Journal of Operations Research,1619-4500,,,4OR Q J OPER RES,Management Science
2,Aaohn Journal,0891-0162,,,AAOHN J,
3,Aapg Bulletin,0149-1423,,,AAPG BULL,Engineering
4,AAPS Journal,1550-7416,,,AAPS J,Medicine
5,Aaps Pharmscitech,1530-9932,,,AAPS PHARMSCITECH,
6,Aatcc Review,1532-8813,,,AATCC REV,
7,Abdominal Imaging,0942-8925,,,ABDOM IMAGING,
8,Abhandlungen Aus Dem Mathematischen Seminar Der Universitat Hamburg,0025-5858,,,ABH MATH SEM HAMBURG,
9,Abstract and Applied Analysis,1085-3375,,,ABSTR APPL ANAL,Math
10,Academic Emergency Medicine,1069-6563,,,ACAD EMERG MED,Medicine

需要什么？

上面的输入有一列 ISSN 编号。阅读 ISSN 号码并在researchgate.net 或网络中搜索。然后找到个别网页搜索Impact Factor 2015并检索值，将其放在ISSN号旁边的空白处，并将检索到的URL放在它旁边

这样网络搜索也可以限制为一个站点和一个关键字搜索值..空的可以保留为“NAN”

提前感谢您的建议和帮助

Answer 1

使用漂亮的汤和 urllib2 试试这段代码。我正在使用 h2 标签并搜索“Journal Impact：”，但我会让您决定提取数据的算法。 html 内容存在于汤中，汤提供 API 来提取它。我提供的是一个示例，可能对您有用。

#!/usr/bin/env python

import urllib2
from bs4 import BeautifulSoup

issn = '0219-5305'
url  = 'https://www.researchgate.net/journal/%s_Analysis_and_Applications' % (issn)
htmlDoc = urllib2.urlopen(url).read()
soup    = BeautifulSoup(htmlDoc, 'html.parser')
for tag in soup.find_all('h2'):
    if 'Journal Impact:' in tag.text:
        value = tag.text
        value = value.replace('Journal Impact:', '')
        value = value.strip(' *')
        print value

输出：

   1.13

我觉得美汤的官方文档还不错。如果您是新手，我建议您在文档上花一个小时，然后再尝试编写一些代码。花在阅读文档上的时间将为您节省更多时间。

https://www.crummy.com/software/BeautifulSoup/ https://www.crummy.com/software/BeautifulSoup/bs4/doc/