BeautifulSoup 网络爬虫：如何获取一段文字

Question

我要抓取的页面是 http://www.boxofficemojo.com/yearly/chart/?page=1&view=releasedate&view2=domestic&yr=2013&p=.htm. Specifically, I am focusing on this page right now: http://www.boxofficemojo.com/movies/?id=ironman3.htm。

对于第一部 link 上的每一部电影，我想获得类型、放映时间、MPAA 评级、国外票房收入和预算。我很难得到这个，因为信息上没有识别标签。我目前拥有的：

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，这会从原始页面检索所有电影的标题、它们的 link 以及每部电影的列表 actors/people/directors 等。现在我正在尝试获取电影的类型。

我试图以与

类似的方式来处理这个问题

"for person in soup.select('td > font > a[href^=/people/]'):
        print person.string"

行，但这不是 link，它只是文本，因此无法正常工作。

如何获取每部电影的数据？

Answer 1

找到 Genre: 文本并得到 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'

BeautifulSoup 网络爬虫：如何获取一段文字

BeautifulSoup webcrawling: How to get piece of text

python

beautifulsoup

web-crawler

html-parsing

web-scraping