Question

我正在尝试使用import.io的Crawler从研究项目Allociné（法国最大的电影数据库）网站创建一个.csv文件，因为我的编程知识很差（目前正在攻读生态学博士学位）并且有一个易于理解的工具似乎是最好的主意。

对于我需要的每部电影：

电影的标题
发布日期（FR中的'Date de Sortie'）
电影的类型

以下是Allociné电影页面的示例（适用于星球大战I）：http://www.allocine.fr/film/fichefilm_gen_cfilm=20754.html

起初我尝试使用import.io的选择工具，但它没有用，因为有些电影有两个发布日期而不是一个（如上面的SW1-- 1999年的原始版本和2012年的3D版本（'reprise'）） - 与Crawler搞砸了。所以我不得不使用XPath来识别我需要的元素。标题工作正常（使用//title），但我对发布日期和流派有问题。

对于发布日期，我从页面源中提取的XPath是：

//*[@id="col_main"]/div[4]/div/div[2]/table/tbody/tr[2]/td/a/strong/span

我在最后添加/@content以yyyy-MM-dd格式获取日期，这导致：

//*[@id="col_main"]/div[4]/div/div[2]/table/tbody/tr[2]/td/a/strong/span/@content

但是，import.io无法识别我需要他找到的元素。

对于类型，同样的事情，我从Chrome获得了第一个类型（科幻小说）的XPath：

//*[@id="col_main"]/div[4]/div/div[2]/table/tbody/tr[5]/td/a[1]/span

我需要import.io来收集所有类型，因此我从[1]移除了a[1]以获得a的全部内容。

//*[@id="col_main"]/div[4]/div/div[2]/table/tbody/tr[5]/td/a/span

它也不起作用，import.io返回一个null元素。

所以，任何关于它为什么不起作用的解释都将非常感激！对不起，如果我错过了一些明显的东西，就像我说的那样，我根本不是专家。

布莱斯

Answer 1

对于发布日期，请尝试：

//跨度[@ itemprop = “datePublished”] / @含量

这基本上意味着：找到一个具有名为“datePublished”属性的span节点，并提取名为“content”的属性

对于类型尝试：

//跨度[@ itemprop = “流派”] /文本（）

这意味着找到一个具有名为“genre”属性的span节点，并提取其后面的文本。

无法在import.io的抓取工具中获取适当的网页元素XPath

1 个答案: