Python简单网络爬虫实战—下载论文名称，作者信息（下）

Posted 2020-11-13 Geronimo

在Python简单网络爬虫实战—下载论文名称，作者信息（上）中，学会了get到网页内容以及在谷歌浏览器找到了需要提取的内容的数据结构，接下来记录我是如何找到所有author和title的

1.从soup中get到data类

soup中提供了select方法来筛选所需的类。该方法使用方法如下：

articlename = soup.select(\'title\')

该语句即将soup中所有的title元素放到articlename中。select也有其他用法

articlename = soup.select(\'.data\') #类前面要加"."
articlename = soup.select(\'#username\')#ID这种唯一的元素，前加"#"
articlename = soup.select(\'.publ-list .entry.editor .data\')#可以组合查找，publ-list类下面的entry.editor类下面的data类，按次序用空格隔开
articlename = soup.select(\'.publ-list .entry.editor .data .title\')[0].contents[0]#title类中第一个元素的第一个文本内容

我们用如下语句get到该网页中所有的data类，这样就包含了所有的author和title，去除了网页中其他无关的元素，离目标更近了一步

soup.select(\'.publ-list .entry.inproceedings .data\')

 

2.data类中筛选所有author与title

这是一个data类的所有内容。

其中author元素还有更下一级的结构

可以看到，一个data类中author和title元素并不是紧密连接的，在每个authro行之间，有“，”和“：”行隔开，在title行下方，还有dataPublished、genre等元素，但下方的元素都是固定的，行数也固定。因此我把一个.data描述为如下的多维数组：

[
[author1,url,name       ]
[","                    ]
[author2,url,name       ]
[":"                    ]
[<br>                   ]
[title,name             ]
["datePublished",content]
[</article>             ]
]

由于作者数量不固定，因此还要计算作者数量。因为每个author元素后面都会跟一个标点符号，因此似乎只要计算data类的长度减去4，再除以2就可以得到作者数量，然而在实际操作中发现，应该减去5。直到现在我也没有明白原因，可能这里需要补充HTML网站相关的知识。

authornum = int((len(articles)-5)/2)

得到了作者数量，就很容易定位到作者所在的行（下标）和title所在的行（下标）

观察元素内容可以看到，authorname和titlename都是唯一的文本，用以下命令获取即可

for i in range(0,authornum):
    authorlist.append(str(articles.contents[i*2].get_text()))
articlename = str(articles.contents[(authornum+1)*2].get_text())

 至此，该脚本的所有难点都搞定啦，接下来就水到渠成，理一下逻辑就ok啦