利用OpenReview API与网页抓取获取会议论文数据教程

聖光之護
发布: 2025-11-07 12:34:10
原创
622人浏览过

利用OpenReview API与网页抓取获取会议论文数据教程

本教程旨在指导用户如何高效获取机器学习领域主要会议(如neurips、icml、cvpr)的论文数据。文章将详细介绍针对2023年及以后会议,应使用openreview的最新api版本(openreview.api.openreviewclient配合api2.openreview.net端点)来访问数据。同时,针对部分会议(如cvpr 2023),当openreview api不适用时,本教程将提供基于python的网页抓取方案,帮助用户从会议官方开放访问网站提取所需信息。

1. 理解OpenReview API的不同版本

OpenReview平台作为许多学术会议的论文提交和评审系统,提供了API供研究者获取会议数据。然而,随着平台的发展,其API也经历了版本迭代。对于2023年及以后的会议数据,传统的openreview.Client类和https://api.openreview.net端点可能无法正常工作,导致返回空列表或“Group Not Found”错误。

为了成功访问最新的会议数据,需要使用openreview.api.OpenReviewClient类,并将其baseurl参数指向新的API端点:https://api2.openreview.net。

2. 使用OpenReview API访问最新会议数据

本节将演示如何使用更新后的OpenReview API来获取NeurIPS 2023等会议的论文标题。

2.1 安装OpenReview库

首先,确保您的Python环境中安装了openreview库。如果尚未安装,可以使用pip进行安装:

pip install openreview
登录后复制

2.2 示例:获取NeurIPS 2023论文标题

以下代码展示了如何使用openreview.api.OpenReviewClient获取NeurIPS 2023的论文标题:

import openreview

# 实例化新的OpenReview API客户端
# 注意:baseurl应指向api2.openreview.net
client = openreview.api.OpenReviewClient(baseurl='https://api2.openreview.net')

# 获取指定会议的所有投稿
# 'venueid'是识别会议的关键,格式通常为 '会议名称.cc/年份/Conference'
submissions = client.get_all_notes(content={'venueid':'NeurIPS.cc/2023/Conference'})

# 从投稿对象中提取论文标题
papers_titles = [s.content['title']['value'] for s in submissions]

# 打印前10个标题进行验证
print("NeurIPS 2023 论文标题(前10个):")
for title in papers_titles[:10]:
    print(f"- {title}")
登录后复制

运行上述代码,您将获得类似以下的输出:

NeurIPS 2023 论文标题(前10个):
- Online PCA in Converging Self-consistent Field Equations
- Don’t blame Dataset Shift! Shortcut Learning due to Gradients and Cross Entropy
- On Slicing Optimality for Mutual Information
- k-Median Clustering via Metric Embedding: Towards Better Initialization with Differential Privacy
- Information Maximization Perspective of Orthogonal Matching Pursuit with Applications to Explainable AI
- STEVE-1: A Generative Model for Text-to-Behavior in Minecraft
- AMAG: Additive, Multiplicative and Adaptive Graph Neural Network For Forecasting Neuron Activity
- Conditional Matrix Flows for Gaussian Graphical Models
- Representational Strengths and Limitations of Transformers
- Cappy: Outperforming and Boosting Large Multi-Task LMs with a Small Scorer
登录后复制

注意事项:

  • API客户端选择: 务必使用openreview.api.OpenReviewClient而不是openreview.Client。
  • API端点: baseurl参数必须设置为'https://api2.openreview.net'。
  • venueid格式: content={'venueid': '会议名称.cc/年份/Conference'}是获取特定会议数据的标准方式。请根据目标会议和年份调整venueid。
  • 获取所有笔记: client.get_all_notes()方法用于获取所有符合条件的投稿(笔记)。
  • 数据结构: 投稿数据存储在s.content字典中,标题通常位于s.content['title']['value']。

3. 针对特定会议的网页抓取方法

并非所有会议都将所有公共数据通过OpenReview API完全暴露,或者它们可能选择使用其他平台发布其开放访问内容。例如,CVPR 2023虽然使用了OpenReview进行评审,但其公开的论文标题等信息主要发布在自己的开放访问网站上。在这种情况下,网页抓取(Web Scraping)是一个有效的替代方案。

论论App
论论App

AI文献搜索、学术讨论平台,涵盖了各类学术期刊、学位、会议论文,助力科研。

论论App 23
查看详情 论论App

3.1 网页抓取工具准备

我们将使用requests库来发送HTTP请求获取网页内容,并使用lxml库来解析HTML文档并提取数据。

首先,确保安装了这些库:

pip install requests lxml
登录后复制

3.2 示例:抓取CVPR 2023论文标题

以下代码演示了如何从CVPR 2023的开放访问网站抓取论文标题:

import requests
from lxml.html import fromstring

# 目标网页URL
url = 'https://openaccess.thecvf.com/CVPR2023?day=all'

# 发送HTTP GET请求获取网页内容
response_text = requests.get(url).text

# 使用lxml解析HTML内容
response_html = fromstring(response_text)

# 使用XPath表达式选择论文标题元素
# 这里的XPath '/html/body/dl/dt/a/text()' 是根据目标网页的HTML结构确定的
# 它定位到 <dt> 标签下的 <a> 标签的文本内容
elements = response_html.xpath('//*[@id="content"]/dl/dt/a/text()')

# 打印前10个标题进行验证
print("\nCVPR 2023 论文标题(前10个):")
for title in elements[:10]:
    print(f"- {title}")
登录后复制

运行上述代码,您将获得类似以下的输出:

CVPR 2023 论文标题(前10个):
- GFPose: Learning 3D Human Pose Prior With Gradient Fields
- CXTrack: Improving 3D Point Cloud Tracking With Contextual Information
- Deep Frequency Filtering for Domain Generalization
- Frame Flexible Network
- Unsupervised Cumulative Domain Adaptation for Foggy Scene Optical Flow
- NoisyTwins: Class-Consistent and Diverse Image Generation Through StyleGANs
- DisCoScene: Spatially Disentangled Generative Radiance Fields for Controllable 3D-Aware Scene Synthesis
- Revisiting Self-Similarity: Structural Embedding for Image Retrieval
- Minimizing the Accumulated Trajectory Error To Improve Dataset Distillation
- Decoupling-and-Aggregating for Image Exposure Correction
登录后复制

注意事项:

  • XPath表达式: 网页的HTML结构可能会发生变化,因此XPath表达式需要根据目标网站的实际结构进行调整。您可以使用浏览器开发者工具(F12)检查元素并生成XPath。
  • 网站政策: 在进行网页抓取之前,请务必查阅网站的robots.txt文件和使用条款,确保您的行为符合网站政策,避免对服务器造成不必要的负担。
  • 异常处理: 在实际应用中,应添加错误处理机制(如try-except块)来处理网络请求失败、HTML解析错误等情况。
  • 速率限制: 避免在短时间内发送大量请求,可以添加延时(time.sleep())来模拟人类行为,防止IP被封禁。

4. 总结

获取学术会议论文数据需要灵活运用不同的工具和方法:

  1. 对于OpenReview平台上的最新会议(2023年及以后):优先使用openreview.api.OpenReviewClient类,并确保baseurl指向https://api2.openreview.net。
  2. 对于不通过OpenReview API提供完整数据或使用其他平台的会议:可以考虑使用requests和lxml等库进行网页抓取。在进行网页抓取时,务必尊重网站的使用政策和robots.txt文件,并注意错误处理和速率限制。

始终建议首先查阅会议的官方网站或OpenReview页面,了解其数据发布方式和可用的API文档,以选择最合适的数据获取策略。

以上就是利用OpenReview API与网页抓取获取会议论文数据教程的详细内容,更多请关注php中文网其它相关文章!

最佳 Windows 性能的顶级免费优化软件
最佳 Windows 性能的顶级免费优化软件

每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。

下载
来源:php中文网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
开源免费商场系统广告
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新 English
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号