IMDB剧集信息条件式爬取及数据处理问题求助

针对你遇到的三个问题，给出具体修复方案：

1. 修正单季剧集季数爬取错误 #

IMDB单季剧集的季数标注通常包含"Season"关键词，可通过过滤含该关键词的文本并提取数字来解决：

# 定位元数据区域
metadata_block = soup.find('span', {'data-testid': 'hero-title-block__metadata'})
season_count = 1  # 默认单季
if metadata_block:
    # 筛选含"Season"的标签文本
    season_items = [item.text for item in metadata_block.find_all('span') if 'Season' in item.text]
    if season_items:
        # 提取数字部分
        season_count = int(season_items[0].split()[0])

2. 处理多原产国、多语言分隔及冗余前缀 #

原产国和语言信息都嵌套在对应详情项的<a>标签中，遍历提取每个标签文本并拼接即可：

# 爬取原产国
origin_section = soup.find('li', {'data-testid': 'title-details-origin'})
origin_countries = ', '.join([a.text.strip() for a in origin_section.find_all('a')]) if origin_section else 'Unknown'

# 爬取原语言（自动去除冗余前缀）
language_section = soup.find('li', {'data-testid': 'title-details-language'})
languages = ', '.join([a.text.strip() for a in language_section.find_all('a')]) if language_section else 'Unknown'

3. 单集时长转换为分钟格式 #

编写一个解析函数，处理不同格式的时长文本（如"1 hour"、"1 hour 20 minutes"）：

def parse_runtime(runtime_str):
    total_minutes = 0
    if not runtime_str:
        return total_minutes
    segments = runtime_str.split()
    for idx, seg in enumerate(segments):
        if seg in ('hour', 'hours'):
            total_minutes += int(segments[idx-1]) * 60
        elif seg in ('minute', 'minutes'):
            total_minutes += int(segments[idx-1])
    return total_minutes

# 使用示例
runtime_elem = soup.find('li', {'data-testid': 'title-techspec_runtime'})
runtime_minutes = parse_runtime(runtime_elem.text.strip()) if runtime_elem else 0

内容的提问来源于stack exchange，提问作者Paula Gryglewska