Parse Wiley Online Library

Question

Я хотел бы извлечь DOI всех глав из Энциклопедии промышленной химии Ульмана с Python и BeautifulSoup.

Так из

<h2 class="meta__title meta__title__margin"><span class="hlFld-Title"><a href="/doi/10.1002/14356007.c01_c01.pub2">Aerogels</a></span></h2>

Я хотел бы получить "Aerogels" и "/doi/full/10.1002/14356007.c01_c01.pub2"

Большой образец:

     <ul class="chapter_meta meta__authors rlist--inline comma">
        <li><span class="hlFld-ContribAuthor"><a href="/action/doSearch?ContribAuthorStored=H%C3%BCsing%2C+Nicola"><span>Nicola Hüsing</span></a></span></li>
        <li><span class="hlFld-ContribAuthor"><a href="/action/doSearch?ContribAuthorStored=Schubert%2C+Ulrich"><span>Ulrich Schubert</span></a></span></li>
     </ul><span class="meta__epubDate"><span>First published: </span>15 December 2006</span><div class="content-item-format-links">
        <ul class="rlist--inline separator">
           <li><a title="Abstract" href="/doi/abs/10.1002/14356007.c01_c01.pub2">Abstract</a></li>
           <li><a title="Full text" href="/doi/full/10.1002/14356007.c01_c01.pub2">
                 Full text
                 </a></li>

Для названия я попробовал:

span['hlFld-Title'].a

Для DOI я пробовал:

for link in soup.find_all('a'.title):
    print(link.get('href'))

Но, к сожалению, я полный нуб (дурак), и это не работает.

URL-адреса: https://onlinelibrary.wiley.com/browse/book/10.1002/14356007/title?startPage={1..59}

Спасибо за любую помощь.

Answer 1

Здесь быстрое решение, выводит пары "DOI;title" в командную строку:

import requests
from bs4 import BeautifulSoup

for i in range(59):
    page = requests.get("https://onlinelibrary.wiley.com/browse/book/10.1002/14356007/title?startPage={}".format(i))

    soup = BeautifulSoup(page.content, 'lxml')

    content = soup.findAll("span", class_="hlFld-Title")

    for c in content:
        print(c.a.get('href')+";"+c.get_text())