用class_name的话,为什么我的代码number不会变?for number in range(1,120): allfilmxpath = f'//*[@id="app"]/div/div[2]/ul/li[{number}]/a' filmname = driver.find_element(By.CLASS_NAME,'drc-subject-info-title-text') score = driver.find_element(By.CLASS_NAME,'drc-rating-num') print(filmname.text) print(score.text)

时间: 2024-03-24 18:40:23 浏览: 14
在您的代码中,虽然使用了 `range(1, 120)` 来遍历 1 到 119 的所有整数,但是在循环内部,您每次都是使用相同的 XPATH 来查找电影名称和评分,这就导致了您无法获取到不同电影的名称和评分。 您需要在每次循环内部使用新的 XPATH 来查找电影名称和评分,可以根据当前的 number 值来构造新的 XPATH。以下是修改后的代码: ``` for number in range(1, 121): allfilmxpath = f'//*[@id="app"]/div/div[2]/ul/li[{number}]/a' film_element = driver.find_element(By.XPATH, allfilmxpath) film_element.click() filmname = driver.find_element(By.CLASS_NAME, 'drc-subject-info-title-text') score = driver.find_element(By.CLASS_NAME, 'drc-rating-num') print(filmname.text) print(score.text) driver.back() ``` 在这个修改后的代码中,我们使用当前的 number 值来构造新的 XPATH,然后在每次循环内部使用新的 XPATH 来查找电影名称和评分。
相关问题

为什么我的allfilmxpath中的number不会变?for number in range(1,120): allfilmxpath = f'//*[@id="app"]/div/div[2]/ul/li[{number}]/a' filmname = driver.find_element(By.CLASS_NAME,'drc-subject-info-title-text') score = driver.find_element(By.CLASS_NAME,'drc-rating-num') print(filmname.text) print(score.text)

在您的代码中,allfilmxpath 中的 number 并没有变化,这是因为您没有在每次循环中使用新的 number 值来更新 allfilmxpath。您需要将 allfilmxpath 的赋值放到循环内部,并使用新的 number 值来构造新的 XPATH。 以下是修改后的代码: ``` filmname_xpath = '//h1[@class="drc-subject-info-title-text"]' score_xpath = '//span[@class="drc-rating-num"]' for number in range(1, 121): allfilmxpath = f'//*[@id="app"]/div/div[2]/ul/li[{number}]/a' film_element = driver.find_element(By.XPATH, allfilmxpath) film_element.click() filmname = driver.find_element(By.XPATH, filmname_xpath) score = driver.find_element(By.XPATH, score_xpath) print(filmname.text) print(score.text) driver.back() ``` 在这个修改后的代码中,我们将 allfilmxpath 的赋值放到了循环内部,并使用新的 number 值来构造新的 XPATH。同时,我们还添加了点击电影链接的语句,使得可以进入电影详情页获取电影名称和评分。

import copy import random class map(): chess_number=None; livcell=[]; def init(self, chess_number=60, density=0.5): self.livcell = [[0] * chess_number for i in range(chess_number)] for i in range(chess_number): for j in range(chess_number): pwall = random.random() if pwall < density: self.livcell[i][j] = 1 self.chess_number=chess_number self.density=density def neighborcell(self,pos): neighborList = [] x = pos[0] y = pos[1] neighborList = [[x - 1, y - 1], [x - 1, y], [x - 1, y + 1], [x, y - 1], [x, y + 1], [x + 1, y - 1], [x + 1, y], [x + 1, y + 1]] realnList = copy.deepcopy(neighborList) for i in neighborList: if i[0] < 0 or i[0] > self.chess_number - 1 or i[1] < 0 or i[1] > self.chess_number - 1: realnList.remove(i) return realnList 使用pytext写一个上述代码的单元测试

import unittest from map import Map class TestMap(unittest.TestCase): def test_init(self): m = Map() self.assertEqual(m.chess_number, 60) self.assertEqual(m.density, 0.5) def test_neighborcell(self): m = Map() n = m.neighborcell([0, 0]) self.assertEqual(len(n), 3) self.assertIn([0, 1], n) self.assertIn([1, 0], n) self.assertIn([1, 1], n) def test_livcell(self): m = Map() self.assertEqual(len(m.livcell), 60) self.assertEqual(len(m.livcell[0]), 60) self.assertIn(0, m.livcell[0]) self.assertIn(1, m.livcell[0]) if __name__ == '__main__': unittest.main()

相关推荐

import sys from calculator import Ui_MainWindow from PyQt5.QtCore import * from PyQt5.QtGui import * from PyQt5.QtWidgets import * class calculator(QMainWindow, Ui_MainWindow): def __init__(self): super().__init__() self.setupUi(self) self.count = [] self.front = 0 self.double = 0 self.choice = '+' @pyqtSlot() def on_pushButton0_clicked(self): self.count.append(0) result = 0 for i in range(len(self.count)): result = pow(10, i) * int(self.count[-(i + 1)]) + result self.lcdNumber.display(int(result)) @pyqtSlot() def on_pushButton1_clicked(self): self.count.append(1) result = 0 for i in range(len(self.count)): result = pow(10, i) * int(self.count[-(i + 1)]) + result self.lcdNumber.display(int(result)) @pyqtSlot() def on_pushButton2_clicked(self): self.count.append(2) result = 0 for i in range(len(self.count)): result = pow(10, i) * int(self.count[-(i + 1)]) + result self.lcdNumber.display(int(result)) @pyqtSlot() def on_pushButton3_clicked(self): self.count.append(3) result = 0 for i in range(len(self.count)): result = pow(10, i) * int(self.count[-(i + 1)]) + result self.lcdNumber.display(int(result)) @pyqtSlot() def on_pushButton4_clicked(self): self.count.append(4) result = 0 for i in range(len(self.count)): result = pow(10, i) * int(self.count[-(i + 1)]) + result self.lcdNumber.display(int(result)) @pyqtSlot() def on_pushButton5_clicked(self): self.count.append(5) result = 0 for i in range(len(self.count)): result = pow(10, i) * int(self.count[-(i + 1)]) + result self.lcdNumber.display(int(result)) @pyqtSlot() def on_pushButton6_clicked(self): self.count.append(6) result = 0 for i in range(len(self.count)): result = pow(10, i) * int(self.count[-(i + 1)]) + result self.lcdNumber.display(int(result)) @pyqtSlot() def on_pushButton7_clicked(self): self.count.append(7) result = 0 for i in range(len(self.count)): result = pow(10, i) * int(self.count[-(i + 1)]) + result self.lcdNumber.display(int(result)) @pyqtSlot() def on_pushButton8_clicked(self): self.count.append(8) result = 0 for i in range(len(self.count)): result = pow(10, i) * int(self.count[-(i + 1)]) + result self.lcdNumber.display(int(result)) @pyqtSlot() def on_pushButton9_clicked(self): self.count.append(9) result = 0 for i in range(len(self.count)): result = pow(10, i) * int(self.count[-(i + 1)]) + result self.lcdNumber.display(int(result)) if __name__ == '__main__': app = QApplication(sys.argv) ui = calculator() ui.show() sys.exit(app.exec_())

import requests from bs4 import BeautifulSoup import jieba.analyse import jieba.posseg as pseg from snownlp import SnowNLP import matplotlib.pyplot as plt # 设置请求头,模拟浏览器访问 headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'} # 获取网页内容 def get_html(url): resp = requests.get(url, headers=headers) resp.encoding = resp.apparent_encoding html = resp.text return html # 获取新闻列表 def get_news_list(url): html = get_html(url) soup = BeautifulSoup(html, 'html.parser') news_list = soup.find_all('a', class_="news_title") return news_list # 对文本进行情感分析 def sentiment_analysis(text): s = SnowNLP(text) return s.sentiments # 对文本进行关键词提取 def keyword_extraction(text): keywords = jieba.analyse.extract_tags(text, topK=10, withWeight=True, allowPOS=('n', 'vn', 'v')) return keywords # 对新闻进行分析 def analyze_news(url): news_list = get_news_list(url) senti_scores = [] # 情感分数列表 keyword_dict = {} # 关键词词频字典 for news in news_list: title = news.get_text().strip() link = news['href'] content = get_html(link) soup = BeautifulSoup(content, 'html.parser') text = soup.find('div', class_='article').get_text().strip() # 计算情感分数 senti_score = sentiment_analysis(text) senti_scores.append(senti_score) # 提取关键词 keywords = keyword_extraction(text) for keyword in keywords: if keyword[0] in keyword_dict: keyword_dict[keyword[0]] += keyword[1] else: keyword_dict[keyword[0]] = keyword[1] # 绘制情感分数直方图 plt.hist(senti_scores, bins=10, color='skyblue') plt.xlabel('Sentiment Score') plt.ylabel('Number of News') plt.title('Sentiment Analysis') plt.show() # 输出关键词词频排名 keyword_list = sorted(keyword_dict.items(), key=lambda x: x[1], reverse=True) print('Top 10 keywords:') for i in range(10): print('{}. {} - {:.2f}'.format(i+1, keyword_list[i][0], keyword_list[i][1])) if __name__ == '__main__': url = 'https://www.sina.com.cn/' analyze_news(url)

import serial from PyQt5.QtCore import QTimer from PyQt5.QtWidgets import QApplication, QWidget, QVBoxLayout, QSplitter, QTableWidget, QTableWidgetItem, QLabel from PyQt5.Qt import Qt def get_data(): ser = serial.Serial('COM3', 9600) data = ser.readline() if data: # 将字符串按空格分割,并取第三个元素作为数值 value_str = data.decode().strip().split()[1] value = float(value_str) ser.close() return value class EmployeeInfo(QWidget): def init(self): super().init() self.initUI() def initUI(self): # 创建表格控件 tableWidget = QTableWidget() tableWidget.setColumnCount(2) tableWidget.setHorizontalHeaderLabels(['姓名', '工号']) # 添加数据 data = [('张三', '001'), ('李四', '002'), ('王五', '003')] for i in range(len(data)): name = QTableWidgetItem(data[i][0]) id = QTableWidgetItem(data[i][1]) tableWidget.setItem(i, 0, name) tableWidget.setItem(i, 1, id) # 创建布局 layout = QVBoxLayout() layout.addWidget(tableWidget) self.setLayout(layout) class NumberDisplay(QWidget): def init(self): super().init() self.initUI() def initUI(self): # 创建标签控件 label = QLabel('0') label.setAlignment(Qt.AlignCenter) label.setStyleSheet('font-size: 100px;') # 创建布局 layout = QVBoxLayout() layout.addWidget(label) self.setLayout(layout) # 定时更新标签显示的数字 self.timer = QTimer() self.timer.timeout.connect(self.update_number) self.timer.start(1000) def update_number(self): value = get_data() if value: self.label.setText(str(value)) class MainWidget(QWidget): def init(self): super().init() self.initUI() def initUI(self): # 创建左右分割控件 splitter = QSplitter(Qt.Horizontal) # 添加左边的员工信息控件 employeeInfo = EmployeeInfo() splitter.addWidget(employeeInfo) # 添加右边的数字显示控件 numberDisplay = NumberDisplay() splitter.addWidget(numberDisplay) # 创建布局 layout = QVBoxLayout() layout.addWidget(splitter) self.setLayout(layout) if name == 'main': app = QApplication([]) mainWidget = MainWidget() mainWidget.show() app.exec_()报错AttributeError: 'NumberDisplay' object has no attribute 'label'

class MSMDAERNet(nn.Module): def init(self, pretrained=False, number_of_source=15, number_of_category=4): super(MSMDAERNet, self).init() self.sharedNet = pretrained_CFE(pretrained=pretrained) # for i in range(1, number_of_source): # exec('self.DSFE' + str(i) + '=DSFE()') # exec('self.cls_fc_DSC' + str(i) + '=nn.Linear(32,' + str(number_of_category) + ')') for i in range(number_of_source): exec('self.DSFE' + str(i) + '=DSFE()') exec('self.cls_fc_DSC' + str(i) + '=nn.Linear(32,' + str(number_of_category) + ')') def forward(self, data_src, number_of_source, data_tgt=0, label_src=0, mark=0): ''' description: take one source data and the target data in every forward operation. the mmd loss is calculated between the source data and the target data (both after the DSFE) the discrepency loss is calculated between all the classifiers' results (test on the target data) the cls loss is calculated between the ground truth label and the prediction of the mark-th classifier 之所以target data每一条线都要过一遍是因为要计算discrepency loss, mmd和cls都只要mark-th那条线就行 param {type}: mark: int, the order of the current source data_src: take one source data each time number_of_source: int label_Src: corresponding label data_tgt: target data return {type} ''' mmd_loss = 0 disc_loss = 0 data_tgt_DSFE = [] if self.training == True: # common feature extractor data_src_CFE = self.sharedNet(data_src) data_tgt_CFE = self.sharedNet(data_tgt) # Each domian specific feature extractor # to extract the domain specific feature of target data for i in range(number_of_source): DSFE_name = 'self.DSFE' + str(i) data_tgt_DSFE_i = eval(DSFE_name)(data_tgt_CFE) data_tgt_DSFE.append(data_tgt_DSFE_i) # Use the specific feature extractor # to extract the source data, and calculate the mmd loss DSFE_name = 'self.DSFE' + str(mark) data_src_DSFE = eval(DSFE_name)(data_src_CFE) # mmd_loss += utils.mmd(data_src_DSFE, data_tgt_DSFE[mark]) mmd_loss += utils.mmd_linear(data_src_DSFE, data_tgt_DSFE[mark]) # discrepency loss for i in range(len(data_tgt_DSFE)): if i != mark: disc_loss += torch.mean(torch.abs( F.softmax(data_tgt_DSFE[mark], dim=1) - F.softmax(data_tgt_DSFE[i], dim=1) )) # domain specific classifier and cls_loss DSC_name = 'self.cls_fc_DSC' + str(mark) pred_src = eval(DSC_name)(data_src_DSFE) cls_loss = F.nll_loss(F.log_softmax( pred_src, dim=1), label_src.squeeze()) return cls_loss, mmd_loss, disc_loss中data_tgt_DSFE的长度

最新推荐

recommend-type

基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip

基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip个人经导师指导并认可通过的高分毕业设计项目,评审分98分。主要针对计算机相关专业的正在做毕设的学生和需要项目实战练习的学习者,也可作为课程设计、期末大作业。 基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统
recommend-type

本户型为2层独栋别墅D026-两层-13.14&12.84米-施工图.dwg

本户型为2层独栋别墅,建筑面积239平方米,占地面积155平米;一层建筑面积155平方米,设有客厅、餐厅、厨房、卧室3间、卫生间1间、杂物间;二层建筑面积84平方米,设有卧室2间、卫生间1间、储藏间、1个大露台。 本户型外观造型别致大方,采光通风良好,色彩明快,整体平面布局紧凑、功能分区合理,房间尺度设计适宜,豪华大气,富有时代气息。
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【实战演练】MATLAB用遗传算法改进粒子群GA-PSO算法

![MATLAB智能算法合集](https://static.fuxi.netease.com/fuxi-official/web/20221101/83f465753fd49c41536a5640367d4340.jpg) # 2.1 遗传算法的原理和实现 遗传算法(GA)是一种受生物进化过程启发的优化算法。它通过模拟自然选择和遗传机制来搜索最优解。 **2.1.1 遗传算法的编码和解码** 编码是将问题空间中的解表示为二进制字符串或其他数据结构的过程。解码是将编码的解转换为问题空间中的实际解的过程。常见的编码方法包括二进制编码、实数编码和树形编码。 **2.1.2 遗传算法的交叉和
recommend-type

openstack的20种接口有哪些

以下是OpenStack的20种API接口: 1. Identity (Keystone) API 2. Compute (Nova) API 3. Networking (Neutron) API 4. Block Storage (Cinder) API 5. Object Storage (Swift) API 6. Image (Glance) API 7. Telemetry (Ceilometer) API 8. Orchestration (Heat) API 9. Database (Trove) API 10. Bare Metal (Ironic) API 11. DNS
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

【实战演练】时间序列预测用于个体家庭功率预测_ARIMA, xgboost, RNN

![【实战演练】时间序列预测用于个体家庭功率预测_ARIMA, xgboost, RNN](https://img-blog.csdnimg.cn/img_convert/5587b4ec6abfc40c76db14fbef6280db.jpeg) # 1. 时间序列预测简介** 时间序列预测是一种预测未来值的技术,其基于历史数据中的时间依赖关系。它广泛应用于各种领域,例如经济、金融、能源和医疗保健。时间序列预测模型旨在捕捉数据中的模式和趋势,并使用这些信息来预测未来的值。 # 2. 时间序列预测方法 时间序列预测方法是利用历史数据来预测未来趋势或值的统计技术。在时间序列预测中,有许多不
recommend-type

怎么在集群安装安装hbase

您好,关于如何在集群上安装HBase,步骤大致如下: 1. 在HBase官网上下载最新版本的HBase,并解压到需要安装的目录下; 2. 配置HBase的环境变量:将HBase目录的bin子目录加入到PATH环境变量中; 3. 修改HBase配置文件:在HBase目录下的conf子目录中找到hbase-site.xml文件,并进行相应的配置,如指定HBase的Zookeeper节点等; 4. 启动HBase:使用HBase的bin目录下的start-hbase.sh脚本启动HBase; 5. 验证HBase是否正常运行:使用HBase自带的shell命令行工具操作HBase。 注意:以上步