4

我正在尝试使用来自网站 Allociné（最大的法国电影数据库）的电影数据创建一个 .csv 文件，用于一个研究项目，使用 import.io 的 Crawler，因为我的编程知识很差（目前正在攻读生态学博士学位）并且拥有一个易于理解的工具似乎是最好的主意。

对于我需要的每一部电影：

  1. 电影的标题
  2. 发布日期（FR 中的“Date de Sortie”）
  3. 电影的类型

这是 Allociné 电影页面的示例（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，但它不起作用，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（'重播'）） - 搞砸了爬行者。所以我不得不使用 XPaths 来识别我需要的元素。标题工作得很好（使用//title），但我对发布日期和流派有疑问。

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/@content在最后添加以获取 yyyy-MM-dd 格式的日期，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。

对于流派，同样的事情，我从 Chrome 中获得了第一个流派（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 来收集所有流派，所以我删除了[1]froma[1]以获得完整的a.

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

它也不起作用，import.io 返回一个空元素。

因此，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，正如我所说，我根本不是专家。

布莱斯

4

1 回答 1

2

对于发布日期，请尝试：

//span[@itemprop="datePublished"]/@content

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

对于类型尝试：

//span[@itemprop="genre"]/text()

这意味着找到一个具有名为“流派”的属性的跨度节点并提取其后面的文本。

于 2015-06-01T14:06:04.163 回答