使用 bs4 抓取 PubMed

Question

我有一个 PubMed id 的数据集（一个 CSV 文件），我需要对其进行迭代，并为每个数据集获取标题、出版年份、摘要和 MeSH 术语，然后我需要将其保存到 CSV 文件中这种格式：

id year_published title abstract mesh_terms

其中每个项目都在不同的单独列中。我试图使用 bs4 来做这个并写了这个：

import urllib2
from bs4 import BeautifulSoup
import csv

CSVfile = open('srData.csv')
fileReader = csv.reader(CSVfile)
Data = list(fileReader)
i = 0

with open('blank.csv','wb') as f1:
 writer=csv.writer(f1, delimiter='\t',lineterminator='\n',)
 for id in Data:
    try:
        soup = BeautifulSoup(urllib2.urlopen("http://www.ncbi.nlm.nih.gov/pubmed/" & id).read())
        jouryear = soup.find_all(attrs={"class": "cit"})
        year = jouryear[0].get_text()
        yearlength = len(year)
        titleend = year.find(".")
        year1 = titleend+2
        year2 = year1+1
        year3 = year2+1
        year4 = year3+1
        year5 = year4+1
        published_date = (year[year1:year5])

        title = soup.find_all(attrs={"class": "rprt abstract"})
        title = (title[0].h1.string)

        abstract = (soup.find_all(attrs={"class": "abstr"}))
        abstract = (abstract[0].p.string)
        writer.writerow([id, published_date, title, abstract])
    except:
        writer.writerow([id, "error"])
        print (id)
    i = i+1
    print i

但是，这会引发有关将列表附加到 URL 的错误。我该如何解决这个问题。

Answer 1

CSVfile = open('srData.csv')
fileReader = csv.reader(CSVfile)
Data = list(fileReader)

在这些行之后，Data 是一个列表列表。每个子列表是 CSV 的一个 line/row。这意味着当你遍历它时：

for id in Data:

你每次都会得到一个列表。而是说：

for row in Data:
    id = row[0]

还有"http://www.ncbi.nlm.nih.gov/pubmed/" & id肯定是错的。使用 +，而不是 &。

使用 bs4 抓取 PubMed

Scraping PubMed using bs4

python

csv

urllib2

beautifulsoup

pubmed