通常情况下我们可以使用 Python 中的文件操作来实现这个任务。下面是一个简单的示例，演示了如何从一个文本文件中读取博客数据，并将其提取到另一个文件中。

假设你的博客数据文件（例如 blog_data.txt）的格式

1、问题背景

我们需要从包含博客列表的文本文件中读取指定数量的博客（n）。然后提取博客数据并将其添加到文件中。这是应用nlp到数据的整个作业的一部分。

以下是我们已经完成的工作：

import urllib2
from bs4 import BeautifulSoup

def create_data(n):
    blogs=open("blog.txt","r") #opening the file containing list of blogs

f=file("data.txt","wt") #Create a file data.txt

with open("blog.txt")as blogs:
    head = [blogs.next() for x in xrange(n)]
    page = urllib2.urlopen(head['href'])

​    soup = BeautifulSoup(page)
​    link = soup.find('link', type='application/rss+xml')
​    print link['href']

​    rss = urllib2.urlopen(link['href']).read()
​    souprss = BeautifulSoup(rss)
​    description_tag = souprss.find('description')

​    f = open("data.txt","a") #data file created for applying nlp
​    f.write(description_tag)

但是，这段代码不起作用。它只能在直接给出链接时工作，例如：

page = urllib2.urlopen("http://www.frugalrules.com")

我们从另一个脚本调用这个函数，用户在其中给出输入n。出错的原因是什么？

Traceback:

    Traceback (most recent call last):
  File "C:/beautifulsoup4-4.3.2/main.py", line 4, in <module>
    create_data(2)#calls create_data(n) function from create_data
  File "C:/beautifulsoup4-4.3.2\create_data.py", line 14, in create_data
    page=urllib2.urlopen(head)
  File "C:\Python27\lib\urllib2.py", line 127, in urlopen
    return _opener.open(url, data, timeout)
  File "C:\Python27\lib\urllib2.py", line 395, in open
    req.timeout = timeout
AttributeError: 'list' object has no attribute 'timeout'

2、解决方案

head是一个列表：

head = [blogs.next() for x in xrange(n)]

列表由整数索引（或切片）索引。当head是一个列表时，不能使用head[‘href’]：

page = urllib2.urlopen(head['href'])

我们很难确切地说如何修复这个问题，因为不知道blog.txt的内容。如果blog.txt的每一行都包含一个URL，那么可以使用：

with open("blog.txt") as blogs:
    for url in list(blogs)[:n]:
        page = urllib2.urlopen(url)
        soup = BeautifulSoup(page.read())
        ...
        with open('data.txt', 'a') as f:
            f.write(...)

请注意，file是open的弃用形式（它在Python3中被删除）。不要使用f=file(“data.txt”,“wt”)，而是使用更现代的with-statement语法（如上所示）。

例如：

import urllib2
import bs4 as bs

def create_data(n):
    with open("data.txt", "wt") as f:
        pass
    with open("blog.txt") as blogs:
        for url in list(blogs)[:n]:
            page = urllib2.urlopen(url)
            soup = bs.BeautifulSoup(page.read())

            link = soup.find('link', type='application/rss+xml')
            print(link['href'])

            rss = urllib2.urlopen(link['href']).read()
            souprss = bs.BeautifulSoup(rss)
            description_tag = souprss.find('description')

            with open('data.txt', 'a') as f:
                f.write('{}\n'.format(description_tag))

create_data(2)

我们假设你在循环中打开、写入和关闭data.txt，因为你想保存部分结果——也许是为了防止程序被迫过早终止。否则，只需在最开始打开一次文件会更简单：

with open("blog.txt") as blogs, open("data.txt", "wt") as f:

这个脚本会读取 blog_data.txt 文件中的数据，提取每个博客数据块的标题、作者、日期和正文内容，然后将这些数据写入到 extracted_blog_data.txt 文件中。

大家可以根据实际情况修改输入文件和输出文件的文件名，以及文件路径。