在python中提取博客数据

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，我已经做到了这一点：

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。它直接提供链接，例如：

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

我从用户给出输入n的不同脚本调用此函数。

我做错了什么？

追踪：

    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:/beautifulsoup4-4.3.2create_data.py", line 14, in create_data
    page=urllib2.urlopen(head)
  File "C:Python27liburllib2.py", line 127, in urlopen
    return _opener.open(url, data, timeout)
  File "C:Python27liburllib2.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)]

列表按整数索引（或切片）编制索引。当head是列表时，不能使用head['href']：

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

在不知道blog.txt的内容是什么样子的情况下，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，则您可以使用：

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 是一种已弃用的open形式（在 Python3 中已删除）。不要使用 f=file("data.txt","wt")，而是使用更现代的 with 语句语法（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)

我假设您在每次通过循环时打开、写入和关闭data.txt，因为您想保存部分结果——也许万一程序被迫提前终止。

否则，一开始只打开文件一次会更容易：

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