Python 如何让数据挖掘者在网页上进行特定搜索？

我是Python新手，正在尝试使用模式。我的目标是得到一个代码，在从IndoWordnet中查找输入单词后，它将为我提供输入单词的同义词。语言必须是孟加拉语。我已经有一个单词表了。但我不知道如何准确地，在模式的帮助下，我可以在网上搜索输入。我试过跟随。这没有多大帮助。我想从一个经过解析的网页开始，这就是我所做的。这也会给我们绝对的联系

from lxml.html import fromstring
from urllib2 import urlopen
def get_page(url) :
    html = urlopen(url).read()
    dom = fromstring(html)
    dom.make_links_absolute(url)
    return dom

dom = get_page('http://www.cfilt.iitb.ac.in/indowordnet/first?langno=3&queryword=%E0%A6%97%E0%A6%BE%E0%A6%A7%E0%A6%BE')

<Element html at 0x50b4840>

从lxml.html导入fromstring
从urllib2导入urlopen
def get_页面（url）：
html=urlopen（url）.read（）
dom=fromstring（html）
dom.make_links_绝对（url）
返回dom
dom=获取页面（'http://www.cfilt.iitb.ac.in/indowordnet/first?langno=3&queryword=%E0%A6%97%E0%A6%BE%E0%A6%A7%E0%A6%BE')

---

但在那之后我被卡住了，因为我不知道如何用模式进行特定的搜索。请提供帮助。

这比看起来要复杂一点，因为有一个AJAX请求获取您想要获取的数据，所以分两步进行：

• 获取与您要查找的单词相对应的特殊

  sid

  值（它位于

  标签

  中，

  id

  属性等于

  sid

  ）
• 向

  http://www.cfilt.iitb.ac.in/indowordnet/ajax/onto.jsp

  传递第一步抓取的

  sid

  。例如，查看它如何查找

  sid=4827

  ：

这是密码。它打印所有安托洛伊标签：

from lxml.html import parse
from urllib2 import urlopen

SID_URL = 'http://www.cfilt.iitb.ac.in/indowordnet/ajax/onto.jsp?sid=%s'

url = 'http://www.cfilt.iitb.ac.in/indowordnet/first?langno=3&queryword=%E0%A6%97%E0%A6%BE%E0%A6%A7%E0%A6%BE'
tree = parse(urlopen(url))

sid = tree.find('.//label[@id="sid"]').text

tree = parse(urlopen(SID_URL % sid))
for record in tree.xpath('//ontorecord'):
    print record.find('onto_label').text

UPD

（获取同义词）：

---

@user3458145好的，对不起，有点误解了，因为我不懂印地语和孟加拉语。检查

UPD

部分-应该提供所有同义词。@user3458145我已经使用了chrome开发者工具->网络选项卡来查看AJAX调用的情况。这与python无关-大部分内容都与xpath和web抓取相关。如何获取“%s”部分？@user3458145

%s

是

sid

的占位符-请参阅我提供的代码：

sid=tree.find（'.//label[@id=“sid”]”）。text

。可能是推得太多了，但是，有没有可能不必每次都输入它们的url就可以得到同义词呢？

from lxml.html import parse
from urllib2 import urlopen

url = 'http://www.cfilt.iitb.ac.in/indowordnet/first?langno=3&queryword=%E0%A6%97%E0%A6%BE%E0%A6%A7%E0%A6%BE'
tree = parse(urlopen(url))

for label in tree.xpath('.//label[@id="words"]/a'):
    print label.text