BeautifulSoup webcrawling:如何获取一段文字

时间:2015-06-24 20:05:24

标签: python web-scraping beautifulsoup web-crawler html-parsing

我要抓取的网页是http://www.boxofficemojo.com/yearly/chart/?page=1&view=releasedate&view2=domestic&yr=2013&p=.htm。具体来说,我现在专注于此页面:http://www.boxofficemojo.com/movies/?id=ironman3.htm

对于第一个链接上的每部电影,我想获得流派,运行时,MPAA评级,外国总收入和预算。我无法得到这个,因为信息上没有识别标签。到目前为止我所拥有的:

import requests
from bs4 import BeautifulSoup
from urllib2 import urlopen

def trade_spider(max_pages):
    page = 1
    while page <= max_pages:
        url = 'http://www.boxofficemojo.com/yearly/chart/?page=' + str(page) + '&view=releasedate&view2=domestic&yr=2013&p=.htm'
        source_code = requests.get(url)
        plain_text = source_code.text
        soup = BeautifulSoup(plain_text)
        for link in soup.select('td > b > font > a[href^=/movies/?]'):
            href = 'http://www.boxofficemojo.com' + link.get('href')
            title = link.string
            print title, href
            get_single_item_data(href)


def get_single_item_data(item_url):
    source_code = requests.get(item_url)
    plain_text = source_code.text
    soup = BeautifulSoup(plain_text)
    print soup.find_all("Genre: ")
    for person in soup.select('td > font > a[href^=/people/]'):
        print person.string


trade_spider(1)

到目前为止,这将从原始页面检索电影的所有标题,它们的链接以及每部电影的演员/人物/导演等的列表。现在我正试图获得电影的类型。

我试图以与

类似的方式来解决这个问题
"for person in soup.select('td > font > a[href^=/people/]'):
        print person.string" 

行,但这不是链接,只是文本,所以它不起作用。

如何获取每部电影的数据?

1 个答案:

答案 0 :(得分:1)

找到Genre:文字并获取next sibling

soup.find(text="Genre: ").next_sibling.text

演示:

In [1]: import requests

In [2]: from bs4 import BeautifulSoup

In [3]: response = requests.get("http://www.boxofficemojo.com/movies/?id=ironman3.htm")

In [4]: soup = BeautifulSoup(response.content)

In [5]: soup.find(text="Genre: ").next_sibling.text
Out[5]: u'Action / Adventure'