Python

Question

我正在尝试使用 Python 抓取 IMDb 上的电影，我可以获得除演员姓名以外的所有重要方面的数据。

这是我正在处理的示例 URL：

https://www.imdb.com/title/tt0106464/

使用 "Inspect" 浏览器功能，我找到了与所有演员名称相关的 XPath，但是当涉及到运行 Python 上的代码时，XPath 似乎是无效（没有 return 任何东西）。

这是我使用的代码的简单版本：

import requests
from lxml import html

movie_to_scrape = "https://www.imdb.com/title/tt0106464"
timeout_time = 5

IMDb_html = requests.get(movie_to_scrape, timeout=timeout_time)
doc = html.fromstring(IMDb_html.text)
actors = doc.xpath('//table[@class="cast_list"]//tbody//tr//td[not(contains(@class,"primary_photo"))]//a/text()')
print(actors)

我多次尝试更改 XPath，试图使其更通用然后更具体，但它仍然没有 return 任何东西

Answer 1

不要盲目接受你看到的使用inspect element的标记结构。
浏览器非常宽容，会尝试修复源代码中的任何标记问题。
话虽如此，如果您使用 view source 检查源代码，您会发现您要抓取的 table 没有 <tbody>，因为它们是由浏览器插入的。
所以如果你从这里删除它 //table[@class="cast_list"]//tbody//tr//td[not(contains(@class,"primary_photo"))]//a/text() -> //table[@class="cast_list"]//tr//td[not(contains(@class,"primary_photo"))]//a/text()
您的查询应该有效。

Answer 2

从查看 HTML 开始，使用像 //td[@class="primary_photo"]

这样的简单 xpath

<table class="cast_list">    
  <tr><td colspan="4" class="castlist_label">Cast overview, first billed only:</td></tr>
      <tr class="odd">
          <td class="primary_photo">
<a href="/name/nm0000418/?ref_=tt_cl_i1"
><img height="44" width="32" alt="Danny Glover" title="Danny Glover" src="https://m.media-amazon.com/images/G/01/imdb/images/nopicture/32x44/name-2138558783._CB470041625_.png" class="loadlate hidden " loadlate="https://m.media-amazon.com/images/M/MV5BMTI4ODM2MzQwN15BMl5BanBnXkFtZTcwMjY2OTI5MQ@@._V1_UY44_CR1,0,32,44_AL_.jpg" /></a>          </td>
          <td>

PYTHON:

for photo in doc.xpath('//td[@class="primary_photo"]'):
    print photo

Python - 抓取 IMDb 网站时出现 XPath 问题

Python - XPath issue while scraping the IMDb Website

xpath

imdb

web-scraping

python-3.x