Question

我正在使用BeautifulSoup从IMDb获取HTML页面，我想从页面中提取海报图像。我有基于其中一个属性的图像，但我不知道如何在其中提取数据。

这是我的代码：

url = 'http://www.imdb.com/title/tt%s/' % (id)
soup = BeautifulSoup(urllib2.urlopen(url).read())
print("before FOR")
for src in soup.find(itemprop="image"): 
    print("inside FOR")
    print(link.get('src'))

Answer 1

你快到了 - 只是几个错误。 soup.find()获取匹配的第一个元素，而不是列表，因此您不需要迭代它。获得元素后，您可以使用字典访问获取其属性（如src）。这是一个重新设计的版本：

film_id = '0423409'
url = 'http://www.imdb.com/title/tt%s/' % (film_id)
soup = BeautifulSoup(urllib2.urlopen(url).read())
link = soup.find(itemprop="image")
print(link["src"])
# output:
http://ia.media-imdb.com/images/M/MV5BMTg2ODMwNTY3NV5BMl5BanBnXkFtZTcwMzczNjEzMQ@@._V1_SY317_CR0,0,214,317_.jpg

我已将id更改为film_id，因为id()是内置函数，掩盖这些功能是不好的做法。

Answer 2

我相信你的榜样非常接近。你需要使用findAll（）而不是find（），当你迭代时，你从src切换到链接。在下面的示例中，我将其切换为tag

此代码适用于BeautifulSoup4：

url = 'http://www.imdb.com/title/tt%s/' % (id,)
soup = BeautifulSoup(urllib2.urlopen(url).read())
print "before FOR"
for tag in soup.findAll(itemprop="image"): 
    print "inside FOR"
    print(tag['src'])

Answer 3

如果我理解正确你正在寻找图像的src，那么在之后提取它。

首先，您需要找到（使用检查器）HTML中的哪个位置是图像。例如，在我的粒子情况下，我正在废除足球队的盾牌，我需要：

m_url = 'http://www.marca.com/futbol/primera/equipos.html'
client = uOpen(m_url) 
page = client.read()
client.close()

page_soup = BS(page, 'html.parser')

teams = page_soup.findAll('li', {'id': 'nombreEquipo'})
for team in teams:
  name = team.h2.text
  shield_url = team.img['src']

然后，您需要处理图像。你必须选择。

1st：使用 numpy ：

def url_to_image(url):
    '''
    Función para extraer una imagen de una URL
    '''
    resp = uOpen(url)
    image = np.asarray(bytearray(resp.read()), dtype='uint8')
    image = cv2.imdecode(image, cv2.IMREAD_COLOR)
    return image

shield = url_to_image（shield_url）

第二次使用 scikit-image 库（您可能需要安装）：

shield = io.imread('http:' + shield_url)

注意：就在这个特殊的例子中，我需要在开始时添加http：。

希望它有所帮助！

Answer 4

这是一个gazpacho的完整示例：

步骤1 -导入所有内容并下载html：

from pathlib import Path
from urllib.request import urlretrieve as download
from gazpacho import Soup

id = 'tt5057054'
url = f"https://www.imdb.com/title/{id}"

soup = Soup.get(url)

第2步-查找图片资源的src网址：

image = (soup
    .find("div", {"id": "title-overview"})
    .find("div", {"class": "poster"})
    .find("img")
    .attrs['src']
)

第3步-将其保存到您的计算机中：

directory = "images"
Path(directory).mkdir(exist_ok=True)

extension = image.split('.')[-1]
download(image, f"{directory}/{id}.{extension}")

使用BeautifulSoup基于属性提取图像src

4 个答案: