Question

我目前正在学习大数据课程，但对此并不了解。对于作业，我想了解哪些主题在关于阿姆斯特丹的TripAdvisor论坛上进行了讨论。我想创建一个CSV文件，包括主题，作者和每个主题的回复数量。一些问题：

如何列出所有主题？我检查了所有网页的网站来源，主题始终在'onclick="setPID(34603)'后面，并以</a>结尾。我试过'(re.findall(r'onclick="setPID(34603)">(.*?)</a>'，发帖）'但是它不起作用。
回复未在评论部分中给出，但在页面的单独行中。如何创建循环并将所有回复附加到新变量？
如何循环前20页？我的代码中的URL仅包含第一页，提供了20个主题。
我是否在循环之前或之后创建CSV文件？

这是我的代码：

from urllib import request
import re
import csv

topiclist=[]
metalist=[]

req = request.Request('https://www.tripadvisor.com/ShowForum-g188590-i60- 
Amsterdam_North_Holland_Province.html', headers={'User-Agent' : 
"Mozilla/5.0"})

tekst=request.urlopen(req).read()
tekst=tekst.decode(encoding="utf-8",errors="ignore").replace("\n"," ")
.replace("\t"," ")


topicsection=re.findall(r'<b><a(.*?)</div>',tekst)

topic=[]
for post in topicsection:
   topic.append(re.findall(r'onclick="setPID(34603)">(.*?)</a>', post)


author=[]
for post in topicsection: 
   author.append(re.findall(r'<a href="/members-forums/.*?">(.*?)</a>', 
   post))

replies=re.findall(r'<td class="reply rowentry.*?">(.*?)</td>',tekst)

Answer 1

Don't use regular expressions to parse HTML.使用html解析器，例如beautifulsoup。

例如 -

from bs4 import BeautifulSoup
import requests

r = requests.get("https://www.tripadvisor.com/ShowForum-g188590-i60-Amsterdam_North_Holland_Province.html")
soup = BeautifulSoup(r.content, "html.parser") #or another parser such as lxml
topics = soup.find_all("a", {'onclick': 'setPID(34603)'})
#do stuff

使用Python循环遍历不同的网页

1 个答案: