Question

如何使用美丽的汤来浏览结果的所有页面。例如，我必须抓住这个网站：

http://www.ncbi.nlm.nih.gov/pubmed

搜索查询是＆＃34;（（肿瘤学）和乳腺癌）并导致＆＃34;
没有引号。
我如何获取所有页面？我试着查看请求标头中的表单数据。尝试修改一些字段。我能够修改它以获得每页200个条目。但没有更多。我实际上需要遍历页面来获取所有内容。任何帮助都将受到高度赞赏。

现在假设我只想看第4页。

代码的相关部分：

post_params = {
    'term' : val,
         'EntrezSystem2.PEntrez.PubMed.Pubmed_ResultsPanel.Pubmed_DisplayBar.PageSize' : 20,
'EntrezSystem2.PEntrez.PubMed.Pubmed_ResultsPanel.Pubmed_DisplayBar.sPageSize' : 20,
'coll_start' : 61,
'citman_count' : 20,
'citman_start' : 61,
'coll_start2' : 61,
'citman_count2' : 20,
'citman_start2' : 61,
'CollectionStartIndex': 1,
'CitationManagerStartIndex' : 1,
'CitationManagerCustomRange' : 'false',

'EntrezSystem2.PEntrez.PubMed.Pubmed_ResultsPanel.Entrez_Pager.cPage' : 3,
'EntrezSystem2.PEntrez.PubMed.Pubmed_ResultsPanel.Entrez_Pager.CurrPage' : 4,

}

"""This part handles the scraping business"""
post_args = urllib.urlencode(post_params)
baseurl = 'http://www.ncbi.nlm.nih.gov'
url = 'http://www.ncbi.nlm.nih.gov/pubmed/'
page = urllib2.urlopen(url, post_args)
page = page.read()
soup = BeautifulSoup(page)
soup.prettify()

它仍然会抓取第一页。一旦这部分成功，我正在考虑迭代这段代码每次改变参数。

Answer 1

永远不要刮掉PubMed - 总是有一种直接检索数据的简单方法。安装并使用BioPython包。这是一个使用您的查询获得前10篇论文的简单脚本：

from Bio import Entrez, Medline

# Always tell NCBI who you are  
Entrez.email = "your_address@example.com"  

term="((oncology) AND breast cancer) AND resulted in"

handle = Entrez.esearch(db="pubmed", retmax=10, term=term)
record = Entrez.read(handle)

print record['Count']  # see how many hits in your search

for ref in record['IdList']:
    handle = Entrez.efetch(db="pubmed", id=ref, 
                           rettype="Medline", 
                           retmode="text")
    paper = Medline.read(handle)
    # Medline returns a dict from which we can extract the 
    # fields we desire
    print '-' * 30
    print paper['TI']
    print
    print paper['AB']

本手册内容丰富，但您只需阅读有关使用BioPython Entrez搜索和获取记录的部分，并使用BioPython Medline解析结果。

使用美丽的汤导航到下一页

1 个答案: