Web数据(wiki)抓取python
我正试图从维基百科获取一些大学的lat lng,我有一个基本url=''和大学列表,我从href获取每所大学的wiki页面,以获取其wiki页面上的lat lng。我得到这个错误一个错误“非类型”对象没有属性“文本”我无法纠正这个错误,我哪里做错了Web数据(wiki)抓取python,python,web-scraping,beautifulsoup,Python,Web Scraping,Beautifulsoup,我正试图从维基百科获取一些大学的lat lng,我有一个基本url=''和大学列表,我从href获取每所大学的wiki页面,以获取其wiki页面上的lat lng。我得到这个错误一个错误“非类型”对象没有属性“文本”我无法纠正这个错误,我哪里做错了 import time import csv from bs4 import BeautifulSoup import re import requests from selenium import webdriver driver = webdri
import time
import csv
from bs4 import BeautifulSoup
import re
import requests
from selenium import webdriver
driver = webdriver.Firefox()
driver.get('https://de.wikipedia.org/wiki/Liste_altsprachlicher_Gymnasien')
html = driver.page_source
base_url = 'https://de.wikipedia.org'
url = 'https://de.wikipedia.org/wiki/Liste_altsprachlicher_Gymnasien'
res = requests.get(url)
soup = BeautifulSoup(res.text)
university = []
while True:
res = requests.get(url)
soup = BeautifulSoup(res.text)
links = soup.find_all('a', href=re.compile('.*\/wiki\/.*'))
for l in links:
full_link = base_url + l['href']
town = l['title']
res = requests.get(full_link)
soup = BeautifulSoup(res.text)
info = soup.find('span', attrs={"title":["Breitengrad","Längengrad"]})
latlong = info.text
university.append(dict(town_name=town, lat_long=latlong))
print(university)
编辑1
感谢@rll,我完成了编辑:
if info is not None:
latlong = info.text
university.append(dict(town_name=town, postal_code=latlong))
print(university)
现在代码运行了,但我只看到了纬度,而没有看到经度
样本输出:{'postail_code':'49°\xa072\xa036,73\xa0N','town_name':'Schönborn glymacum bruchal'},{'postail_code':'49°\xa072\xa030,73\xa0N','town_name':'St.Paulusheim'}
无论如何,关于如何格式化这个输出以获得经度,以及如何格式化输出,对不起,我的正则表达式不好
编辑2
通过更新代码,我也得到了经度
info = soup.find('span', attrs={"title":"Breitengrad"})
info1 = soup.find('span',attrs={"title":"Längengrad"})
if info is not None:
latlong = info.text
longitude = info1.text
university.append(dict(town_name=town, postal_code=latlong,postal_code1=longitude))
print(university)
现在,我的输出如下所示:
{'postal_code': '48°\xa045′\xa046,9″\xa0N',
'postal_code1': '8°\xa014′\xa044,8″\xa0O',
'town_name': 'Gymnasium Hohenbaden'},
因此,我需要帮助设置lat和long的格式,因为我不知道如何转换,例如:48°\xa045′\xa046,9〃\xa0N到48°45′9〃N
谢谢很抱歉没有直接回答,但我总是更喜欢使用MediaWiki的API。幸运的是,我们有了Python,这使得使用API更加容易 因此,不管它值多少钱,下面是我将如何使用
mwclient
:
import re
import mwclient
site = mwclient.Site('de.wikipedia.org')
start_page = site.Pages['Liste_altsprachlicher_Gymnasien']
results = {}
for link in start_page.links():
page = site.Pages[link['title']]
text = page.text()
try:
pattern = re.compile(r'Breitengrad.+?([0-9]+/[0-9]+/[\.0-9]+)/N')
breiten = [float(b) for b in pattern.search(text).group(1).split('/')]
pattern = re.compile(r'Längengrad.+?([0-9]+/[0-9]+/[\.0-9]+)/E')
langen = [float(b) for b in pattern.search(text).group(1).split('/')]
except:
continue
results[link['title']] = breiten, langen
这将为成功找到坐标的每个链接提供一个列表元组:
>>> results
{'Akademisches Gymnasium (Wien)': ([48.0, 12.0, 5.0], [16.0, 22.0, 34.0]),
'Akademisches Gymnasium Salzburg': ([47.0, 47.0, 39.9], [13.0, 2.0, 2.9]),
'Albertus-Magnus-Gymnasium (Friesoythe)': ([53.0, 1.0, 19.13], [7.0, 51.0, 46.44]),
'Albertus-Magnus-Gymnasium Regensburg': ([49.0, 1.0, 23.95], [12.0, 4.0, 32.88]),
'Albertus-Magnus-Gymnasium Viersen-Dülken': ([51.0, 14.0, 46.29], [6.0, 19.0, 42.1]),
...
}
您可以按自己喜欢的方式格式化:
for uni, location in results.items():
lat, lon = location
string = """University {} is at {}˚{}'{}"N, {}˚{}'{}"E"""
print(string.format(uni, *lat+lon))
或将DMS坐标转换为十进制度数:
def dms_to_dec(coord):
d, m, s = coord
return d + m/60 + s/(60*60)
decimal = {uni: (dms_to_dec(b), dms_to_dec(l)) for uni, (b, l) in results.items()}
注意,并非所有链接页面都是大学;我没有仔细检查。BeautifulSoup没有找到这些标题的任何跨度,因此
info
没有。尝试对任何跨度进行查找并打印出来,我猜您会发现为什么具体信息是非的。我相信他们提供了一个API,这是推荐的方法。请尝试此链接,谢谢@rll对代码所做的更改,但仍然存在一些问题。您真的应该使用WikiData()或DbPedia,在那里所有的工作都已经为您完成了!感谢@dstudeba链接,我会尝试一下,但我没有尝试通过这个api获取数据,所以我使用了这个方法,无论如何,你可以帮助我修复代码,这会很有帮助。感谢这个,从未尝试过的api,这是非常有帮助的,我试图用非常长的方法来完成,然而,我们能把这个lat和lng从度数格式转换成十进制吗?那将非常有用,很高兴它有潜在的帮助。我编辑了我的答案,但我想说您可能需要问另一个问题。我与mwclient有问题,无法导入。。我将发布另一个问题,以便您能提供帮助。。谢谢