Question

我们必须通过从包含博客列表的文本文件中读取它们来提取指定数量的博客（n）。

然后我提取博客数据并将其附加到文件中。

这只是将nlp应用于数据的主要任务的一部分。

到目前为止，我已经这样做了：

import urllib2
from bs4 import BeautifulSoup
def create_data(n):
    blogs=open("blog.txt","r") #opening the file containing list of blogs

    f=file("data.txt","wt") #Create a file data.txt

    with open("blog.txt")as blogs:
        head = [blogs.next() for x in xrange(n)]
        page = urllib2.urlopen(head['href'])

        soup = BeautifulSoup(page)
        link = soup.find('link', type='application/rss+xml')
        print link['href']

        rss = urllib2.urlopen(link['href']).read()
        souprss = BeautifulSoup(rss)
        description_tag = souprss.find('description')

        f = open("data.txt","a") #data file created for applying nlp
        f.write(description_tag)

此代码不起作用。它直接提供了链接。像：

page = urllib2.urlopen("http://www.frugalrules.com")

我从另一个脚本调用此函数，其中用户提供输入n。

我做错了什么？

回溯：

    Traceback (most recent call last):
  File "C:/beautifulsoup4-4.3.2/main.py", line 4, in <module>
    create_data(2)#calls create_data(n) function from create_data
  File "C:/beautifulsoup4-4.3.2\create_data.py", line 14, in create_data
    page=urllib2.urlopen(head)
  File "C:\Python27\lib\urllib2.py", line 127, in urlopen
    return _opener.open(url, data, timeout)
  File "C:\Python27\lib\urllib2.py", line 395, in open
    req.timeout = timeout
AttributeError: 'list' object has no attribute 'timeout'

Answer 1

head是一个列表：

    head = [blogs.next() for x in xrange(n)]

列表由整数索引（或切片）索引。当head['href']是列表时，您无法使用head：

    page = urllib2.urlopen(head['href'])

如果不知道blog.txt的内容是什么样的话，很难说如何解决这个问题。如果blog.txt的每一行都包含一个URL，那么你可以使用：

with open("blog.txt") as blogs:
    for url in list(blogs)[:n]:
        page = urllib2.urlopen(url)
        soup = BeautifulSoup(page.read())
        ...
        with open('data.txt', 'a') as f:
            f.write(...)

请注意，file是open的弃用形式（已在Python3中删除）。不使用f=file("data.txt","wt")，而是使用更现代的with-statement语法（如上所示）。

例如，

import urllib2
import bs4 as bs

def create_data(n):
    with open("data.txt", "wt") as f:
        pass
    with open("blog.txt") as blogs:
        for url in list(blogs)[:n]:
            page = urllib2.urlopen(url)
            soup = bs.BeautifulSoup(page.read())

            link = soup.find('link', type='application/rss+xml')
            print(link['href'])

            rss = urllib2.urlopen(link['href']).read()
            souprss = bs.BeautifulSoup(rss)
            description_tag = souprss.find('description')

            with open('data.txt', 'a') as f:
                f.write('{}\n'.format(description_tag))

create_data(2)

我假设您每次通过循环都打开，写入和关闭data.txt因为您想保存部分结果 - 可能是因为程序被迫提前终止。

否则，从一开始就打开文件会更容易：

with open("blog.txt") as blogs, open("data.txt", "wt") as f:

在python中提取博客数据

1 个答案: