如果您最近搜尋過「使用 Python 抓取 IMDb」，大概已經發現一件事：大多數找到的教學都壞了。不是那種「稍微過時」的壞，而是更像「回傳零結果，還冒出一整片 NoneType 錯誤」的壞。
過去幾週，我測試了我能找到的所有主流 IMDb 抓取教學——GeeksforGeeks、Medium、freeCodeCamp、Kaggle notebooks，想到的我都試了。在 214+ 個公開 GitHub repository 中，絕大多數都還在引用 td.titleColumn、td.ratingColumn 這些 CSS selector，但它們自從 2023 年 6 月 IMDb 重新設計 Top 250 頁面後就不存在了。結果呢？論壇裡滿是開發者在問「為什麼我的程式回傳空值？」；而像 Cinemagoer 這類熱門函式庫的維護者也坦承：「除了把每個 parser 都修一遍，我們也沒太多辦法。」本指南會介紹兩種目前真正可用的 Python 方法、如何處理分頁和常見錯誤、什麼時候 Python 其實不是最佳工具，以及如何讓你的爬蟲更耐用，避免很快就進入廢墟名單。
用 Python 抓取 IMDb 是什麼意思？
網頁爬蟲是指以程式方式從網頁擷取資料——不必手動複製貼上，而是寫一段程式替您完成。當我們說「抓取 IMDb」時，指的是用 Python 從 IMDb 的網頁中擷取結構化電影資料（片名、評分、類型、演員、片長、投票數等）。
Python 常見的工具組合通常有三個函式庫：requests（用來取得網頁）、BeautifulSoup（解析 HTML 並找出資料）、pandas（整理與匯出結果）。有些教學也會用 Selenium 或 Playwright 來處理需要 JavaScript 渲染的頁面，但您會看到，其實還有更快的方法。
有一個重要提醒：本指南中的所有內容都已依照 IMDb 目前的頁面結構驗證，截至 2025 年中仍可使用。IMDb 大約每 6–12 個月就會變動一次，因此如果您是在 2027 年閱讀這篇文章，部分 selector 可能已經改了。（我也會說明怎麼處理這種情況。）
為什麼要用 Python 抓取 IMDb？實際應用場景有哪些？
在寫任何一行程式之前，先想想：您實際會拿 IMDb 資料做什麼？答案取決於您的角色。
IMDb 評論資料集是全球最常用的 NLP 基準資料集之一——Maas 等人 2011 年的基礎論文已累積 5,706 次引用，而且這份資料集已內建於 TensorFlow、Keras 和 PyTorch。Hugging Face 上的 stanfordnlp/imdb 資料集每月下載量達 213,321 次，並被用來訓練超過 1,500 個模型。所以如果您在做機器學習，應該對 IMDb 資料不陌生。
但它的用途遠不只學術研究：
| 用途 | 適合對象 | 需要的資料欄位 |
|---|---|---|
| 電影推薦引擎 | 資料科學家、愛好者 | 片名、類型、評分、演員 |
| 串流平台內容策略 | 產品／內容團隊 | 評分、投票數、上映年份、類型 |
| 情感分析／NLP 訓練 | ML 研究人員、學生 | 評論、評分 |
| 競品內容分析 | 娛樂產業分析師 | 票房、上映日期、評分趨勢 |
| 影視觀光研究 | 觀光局、旅遊公司 | 拍攝地點、熱度指標 |
| 學術研究 | 大學研究人員 | 任何結構化電影中繼資料 |
光是影視觀光市場在 2025 年全球估值就達 $660 億美元。Netflix 在 2024 年就投入超過 170 億美元製作內容，且 80% 的觀看行為 都是由個人化推薦驅動。重點是：IMDb 資料正在支持各產業的真實決策。
取得 IMDb 資料的選項：在寫程式前先看這裡
這一段通常是大多數教學完全跳過的。他們直接叫您 pip install beautifulsoup4，卻沒有先問：在您的情境下，Python 抓取真的最適合嗎？
完整選項如下：
| 方式 | 最適合 | 優點 | 缺點 |
|---|---|---|---|
| Python + BeautifulSoup | 學習、客製化擷取 | 完全掌控、彈性高 | selector 脆弱、常常壞掉 |
JSON-LD / __NEXT_DATA__ 擷取 | 想要穩定性的開發者 | 可處理 JS 內容、韌性更高 | 需要理解 JSON 結構 |
| IMDb 官方資料集 | 大規模分析、學術用途 | 合法、完整、2600 萬+ 標題、每日更新 | TSV 格式、沒有評論／圖片 |
| Cinemagoer（IMDbPY）函式庫 | 逐筆查詢單一標題 | Python 風格 API、欄位豐富 | 88 個未解問題，最後一次發版是 2023 年 5 月 |
| TMDb API | 電影中繼資料 + 圖片 | 免費 API 金鑰、JSON、文件完整 | 來源不同（不是 IMDb 評分） |
| Thunderbit（無程式碼） | 不寫程式的人、快速匯出 | 2 步驟抓取、AI 自動建議欄位、可匯出到 Excel／Sheets | 大量抓取需使用點數制 |
這些選項有幾點要注意。Cinemagoer 自 2023 年 5 月後就沒有 PyPI 發版，而且 IMDb 在 2025 年 6 月重新設計頁面後，它的大多數 parser 都壞了——我目前不建議拿它直接上線生產環境。TMDb 很不錯，但它使用的是自己的評分系統，不是 IMDb 的。至於 IMDb 的官方企業 API，透過 AWS Data Exchange 每年要價 $50,000 以上，所以對我們大多數人來說並不實際。
如果您完全不想寫程式，Thunderbit 的人工智慧網頁爬蟲 可以直接讀取 IMDb 頁面，自動建議擷取欄位（片名、評分、年份、類型），並在兩次點擊內匯出到 Excel、Google Sheets、Airtable 或 Notion。當 IMDb 改版時，AI 也會自動適應，所以不需要維護任何 selector。後面我會再詳細說明。
現在，對於真的想寫 Python 的人——下面是兩種可用的方法。
方法 1：使用 BeautifulSoup 用 Python 抓取 IMDb（傳統作法）
這是大多數教學裡最常見的經典做法。它能用，但我先講清楚：在我介紹的方法裡，這是最脆弱的一種。IMDb 的 CSS class 名稱是自動產生的，頁面改版時就會變。話雖如此，它仍然是學習網頁爬蟲基礎最好的方式。
步驟 1：安裝並匯入 Python 函式庫
您需要四個套件：
pip install requests beautifulsoup4 pandas lxml
各自的用途如下：
requests— 發送 HTTP 請求，取得網頁內容beautifulsoup4— 解析 HTML，方便您搜尋特定元素pandas— 將擷取到的資料整理成表格，並匯出為 CSV／Excellxml— 速度很快的 HTML parser（BeautifulSoup 可以把它當作後端）
匯入程式碼：
import requests
from bs4 import BeautifulSoup
import pandas as pd
步驟 2：向 IMDb 發送 HTTP 請求
這是大多數初學者第一次撞牆的地方。IMDb 會封鎖沒有帶正確 User-Agent 標頭的請求——您會得到 403 Forbidden 錯誤。Python Requests 的預設 user-agent 字串（python-requests/2.31.0）會立刻被標記。
url = "https://www.imdb.com/chart/top/"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36",
"Accept-Language": "en-US,en;q=0.9"
}
response = requests.get(url, headers=headers)
if response.status_code != 200:
print(f"抓取頁面失敗：{response.status_code}")
else:
print("頁面抓取成功")
Accept-Language 標頭也很重要——沒有它，IMDb 可能會根據您的 IP 地理位置回傳不同語言的內容。
步驟 3：用 BeautifulSoup 解析 HTML
有了 HTML 之後，建立一個 BeautifulSoup 物件，開始找對應的元素。打開 Chrome 裡的 IMDb Top 250 頁面，對著某個電影標題按右鍵，再點「檢查」，就能看到底層 HTML 結構。
soup = BeautifulSoup(response.text, "lxml")
截至 2025 年中，Top 250 頁面使用以下 selector：
- 電影容器：
li.ipc-metadata-list-summary-item - 標題：
h3.ipc-title__text - 年份：
span.cli-title-metadata-item（第一個 span） - 評分：
span.ipc-rating-star--rating
提醒一下：那些以 ipc- 開頭的 class 名稱是 IMDb 元件系統自動產生的。它們自 2023 年 6 月改版後一直很穩定，但不保證未來不會再變。
步驟 4：擷取電影資料（標題、年份、評分）
這裡我和多數教學不一樣：我加入了 try/except 錯誤處理。我看過的競品教學幾乎都沒有這個步驟，這也是為什麼 selector 一改，他們的程式就默默壞掉。
movies = []
movie_items = soup.select("li.ipc-metadata-list-summary-item")
for item in movie_items:
try:
title_tag = item.select_one("h3.ipc-title__text")
title = title_tag.text.strip() if title_tag else "N/A"
year_tag = item.select_one("span.cli-title-metadata-item")
year = year_tag.text.strip() if year_tag else "N/A"
rating_tag = item.select_one("span.ipc-rating-star--rating")
rating = rating_tag.text.strip() if rating_tag else "N/A"
movies.append({
"title": title,
"year": year,
"rating": rating
})
except Exception as e:
print(f"解析電影時發生錯誤：{e}")
continue
print(f"已擷取 {len(movies)} 部電影")
步驟 5：用 Pandas 儲存成 CSV 或 Excel
df = pd.DataFrame(movies)
df.to_csv("imdb_top_250.csv", index=False)
df.to_excel("imdb_top_250.xlsx", index=False)
print(df.head())
範例輸出：
title year rating
0 1. The Shawshank Redemption 1994 9.3
1 2. The Godfather 1972 9.2
2 3. The Dark Knight 2008 9.0
3 4. The Godfather Part II 1974 9.0
4 5. 12 Angry Men 1957 9.0
這樣確實可行。但它是靠那些可能隨時失效的 CSS selector 撐著——這也正是我真正推薦的下一種方法。
方法 2：JSON-LD 技巧——完全跳過 HTML 解析
這是沒有競品文章提到的方法，也是我在任何正式專案中會採用的方式。IMDb 會在每個頁面的 <script type="application/ld+json"> 標籤中嵌入結構化資料，也就是 JSON-LD（Linked Data 的 JavaScript Object Notation）。這些資料遵循 Schema.org 標準，Google 也用它來產生豐富搜尋結果，而且變動頻率遠低於 CSS class 名稱。
Apify 的 IMDb Scraper 是一個可上線使用的工具，它採用的擷取優先順序是：「JSON-LD > NEXT_DATA > DOM」。我也會建議您用這個順序。
為什麼 JSON-LD 比 CSS selector 更可靠
| 方法 | 可處理 JS 內容？ | 對 UI 變動的韌性？ | 速度 | 複雜度 |
|---|---|---|---|---|
| BeautifulSoup + CSS selector | ❌ 否 | ⚠️ 脆弱（class 名稱會變） | 快 | 低 |
| JSON-LD 擷取 | ✅ 是 | ✅ 遵循 Schema.org 標準 | 快 | 低－中 |
__NEXT_DATA__ JSON 擷取 | ✅ 是 | ✅ 相當穩定 | 快 | 低－中 |
| Selenium / Playwright | ✅ 是 | ⚠️ 脆弱 | 慢 | 中－高 |
| Thunderbit（無程式碼，2 步驟） | ✅ 是（AI 讀取頁面） | ✅ AI 會自動適應 | 快 | 無 |
像 ipc-metadata-list-summary-item 這類 CSS class 名稱，是 IMDb React 元件系統自動產生的，每次改版都可能變。JSON-LD schema 表示的是實際資料模型，而不是呈現層。就像您是看一本書的目錄，還是只靠字體大小去猜哪一章是什麼，差別非常大。
逐步操作：從 JSON-LD 擷取 IMDb 資料
步驟 1：取得頁面
和前面一樣——使用帶有正確 User-Agent 標頭的 requests。
import requests
from bs4 import BeautifulSoup
import json
import pandas as pd
url = "https://www.imdb.com/chart/top/"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36",
"Accept-Language": "en-US,en;q=0.9"
}
response = requests.get(url, headers=headers)
soup = BeautifulSoup(response.text, "lxml")
步驟 2：找到 JSON-LD 的 script 標籤
script_tag = soup.find("script", {"type": "application/ld+json"})
if not script_tag:
print("此頁面找不到 JSON-LD")
else:
data = json.loads(script_tag.string)
print(f"找到的 JSON-LD 類型：{data.get('@type', 'unknown')}")
步驟 3：解析結構化資料
在 Top 250 頁面中，JSON-LD 會包含一個 itemListElement 陣列，裡面有全部 250 部電影。每個項目都包含位置、名稱、URL、aggregateRating、datePublished、genre、description、director 與 actor 陣列。
movies = []
for item in data.get("itemListElement", []):
movie = item.get("item", {})
rating_info = movie.get("aggregateRating", {})
movies.append({
"rank": item.get("position"),
"title": movie.get("name"),
"url": movie.get("url"),
"rating": rating_info.get("ratingValue"),
"vote_count": rating_info.get("ratingCount"),
"date_published": movie.get("datePublished"),
"genre": ", ".join(movie.get("genre", [])),
"description": movie.get("description"),
})
步驟 4：匯出為 CSV
df = pd.DataFrame(movies)
df.to_csv("imdb_top_250_json_ld.csv", index=False)
print(df.head())
範例輸出：
rank title url rating vote_count date_published genre
0 1 The Shawshank Redemption https://www.imdb.com/title/tt0111161/ 9.3 2900000 1994-10-14 Drama
1 2 The Godfather https://www.imdb.com/title/tt0068646/ 9.2 2000000 1972-03-24 Crime, Drama
2 3 The Dark Knight https://www.imdb.com/title/tt0468569/ 9.0 2800000 2008-07-18 Action, Crime, Drama
全部 250 部電影。乾淨、結構化，完全不需要和 CSS selector 糾纏。更重要的是，這份資料遵循 Schema.org 標準（Google 也依賴它來產生搜尋結果），所以比視覺版面穩定得多。
加碼：單一電影頁面的 __NEXT_DATA__
如果您想從單一標題頁取得更豐富的資料（片長、完整演員表、劇情摘要、海報圖片），IMDb 也會嵌入 __NEXT_DATA__ JSON 物件。這是 React 用來 hydrate 頁面的資料——如果移除它，網站就會壞掉。
# 在單一電影頁，例如 /title/tt0111161/
next_data_tag = soup.find("script", {"id": "__NEXT_DATA__"})
if next_data_tag:
next_data = json.loads(next_data_tag.string)
above_fold = next_data["props"]["pageProps"]["aboveTheFoldData"]
title = above_fold["titleText"]["text"]
year = above_fold["releaseYear"]["year"]
rating = above_fold["ratingsSummary"]["aggregateRating"]
runtime_seconds = above_fold.get("runtime", {}).get("seconds", 0)
genres = [g["text"] for g in above_fold["genres"]["genres"]]
plot = above_fold["plot"]["plotText"]["plainText"]
清單／排行榜頁面用 JSON-LD，單一標題頁用 __NEXT_DATA__。這就是可上線使用的做法。
為什麼您的 IMDb 爬蟲一直壞掉（以及怎麼修）
這是我查過每一個 IMDb 抓取論壇中，最多人抱怨的問題。使用者會寫：「有些程式因為 UI 變動壞掉了」或「2024 年已經不能用了！」——通常得到的回應不是沉默，就是「試試 Selenium」。
根本原因，是 IMDb 正在持續把前端遷移到 React/Next.js。以下是幾次重大破壞性變更的時間線：
| 日期 | 變更內容 | 受影響項目 |
|---|---|---|
| 2022 年 11 月 | 姓名頁面改版 | 舊的姓名頁抓取器 |
| 2023 年 6 月 | Top 250 頁面改版 | 所有 td.titleColumn / td.ratingColumn selector |
| 2023 年 4 月 | 標題子頁改版 | Biography、awards、news 抓取器 |
| 2023 年 10 月 | 進階搜尋改版 | 以搜尋頁為基礎的抓取器 |
| 2025 年 6 月 | /reference 頁面改版 | Cinemagoer 函式庫（大多數 parser） |
大約每 6–12 個月就會有一次重大破壞性變更。如果您的爬蟲依賴 CSS class 名稱，那您基本上就是在跑步機上追著問題跑。
常見錯誤與修正方式
空結果／NoneType 錯誤
這是最常見的錯誤。您會看到 AttributeError: 'NoneType' object has no attribute 'text'。這代表 BeautifulSoup 沒找到您要的元素——通常是 CSS class 名稱變了，或內容是由 JavaScript 渲染。
修正方式：改用 JSON-LD 擷取（上面的方法 2）。資料本來就在初始 HTML 回應裡，不需要 JavaScript。
403 Forbidden
IMDb 使用 AWS WAF 來偵測並封鎖機器人。最常見的觸發原因，是缺少或明顯假的 User-Agent 標頭。這點在 多個 開源專案與 IMDb 官方社群論壇 都有記錄，連 IMDb 員工也曾承認這個問題。
修正方式：一定要帶上看起來像真實瀏覽器的 User-Agent 字串，以及 Accept-Language: en-US 標頭。連線池則建議使用 requests.Session()。
只回傳 25 筆結果
IMDb 的搜尋頁和「Most Popular」列表會使用 lazy loading——一開始只渲染約 25 筆結果，接著隨著您捲動，再透過 AJAX 載入更多。
修正方式：使用 URL 參數分頁（下一節會講），或改抓 Top 250 頁面，因為它會在單次回應中載入全部 250 部電影。
selector 突然失效
以下是已經失效的舊 selector：td.titleColumn、td.ratingColumn、.lister-item-header、.inline-block.ratings-imdb-rating。如果您的程式用了這些，現在就是壞的。
修正方式：優先使用 data-testid 屬性（例如 h1[data-testid="hero-title-block__title"]），不要再靠自動產生的 class 名稱。更好的做法是直接用 JSON-LD。
決策框架：短期修法 vs 長期修法
- 快速修法：在每個 selector 外面加上
try/except、驗證 HTTP 狀態碼、記錄錯誤而不是直接崩潰 - 中期修法：從 CSS selector 改成 JSON-LD 擷取（方法 2）
- 長期修法：大規模分析時，使用 IMDb 官方批次資料集，或像 Thunderbit 這樣每次都用 AI 重新讀取頁面結構的工具——不需要維護 selector，AI 會自動適應版面變動
超越 25 筆限制：IMDb 分頁與大型資料集抓取
我看過的每一篇競品教學都只抓單一頁面。沒有人講分頁。但如果您需要的不只是一個清單，很快就會撞牆。
不需要分頁的頁面
好消息是：Top 250 頁面會在單次 server-rendered 回應中載入全部 250 部電影。JSON-LD 和 __NEXT_DATA__ 都包含完整資料集。不需要分頁。
IMDb 搜尋分頁怎麼運作
IMDb 搜尋頁使用 start= URL 參數，每次增加 50：
https://www.imdb.com/search/title/?groups=top_1000&start=1
https://www.imdb.com/search/title/?groups=top_1000&start=51
https://www.imdb.com/search/title/?groups=top_1000&start=101
下面是一個用 Python 逐頁抓取結果的迴圈：
import time
all_movies = []
for start in range(1, 1001, 50): # 逐頁抓取 top 1000
url = f"https://www.imdb.com/search/title/?groups=top_1000&start={start}"
response = requests.get(url, headers=headers)
if response.status_code != 200:
print(f"在 start={start} 時失敗：{response.status_code}")
break
soup = BeautifulSoup(response.text, "lxml")
# 用您偏好的方式擷取電影
# ...
print(f"已抓取從 {start} 開始的頁面")
time.sleep(3) # 請保持節制——IMDb 大約在 50 次快速請求後會開始封鎖
time.sleep(3) 很重要。社群回報顯示，IMDb 大約在 50 次快速請求後就會開始封鎖 IP。建議使用 2–5 秒之間的隨機延遲。
什麼時候應該完全不抓取：IMDb 官方批次資料集
如果您真的需要大規模資料，IMDb 提供 7 個免費 TSV 檔案，可在 datasets.imdbws.com 下載，且每天更新：
| 檔案 | 內容 | 大小 |
|---|---|---|
| title.basics.tsv.gz | 片名、類型、類別、片長、年份 | 約 800 MB |
| title.ratings.tsv.gz | 平均評分、投票數 | 約 25 MB |
| title.crew.tsv.gz | 導演、編劇 | 約 300 MB |
| title.principals.tsv.gz | 主演／主要工作人員 | 約 2 GB |
| title.akas.tsv.gz | 各地區別名 | 約 1.5 GB |
| title.episode.tsv.gz | 電視劇集資訊 | 約 200 MB |
| name.basics.tsv.gz | 人物：姓名、出生年份、代表作品 | 約 700 MB |
把它們載入 Pandas 很簡單：
ratings = pd.read_csv("title.ratings.tsv.gz", sep="\t", compression="gzip")
basics = pd.read_csv("title.basics.tsv.gz", sep="\t", compression="gzip", low_memory=False)
# 以 tconst（IMDb title ID）合併
merged = basics.merge(ratings, on="tconst")
top_movies = merged[merged["titleType"] == "movie"].nlargest(250, "averageRating")
這些資料集涵蓋 2,600 萬以上的標題。不用分頁、不用 selector，也沒有 403 錯誤。授權僅限個人與非商業用途——不能重新發布或轉售這些資料。
無程式碼捷徑：Thunderbit 幫您處理分頁
如果您需要有分頁的 IMDb 資料，但又不想自己寫分頁邏輯，Thunderbit 原生支援點擊式分頁與無限捲動。您只要告訴它要抓什麼，其他都交給它——包含處理 lazy-loaded 內容。
用 Python 抓取 IMDb：完整可用程式碼（可直接複製貼上）
下面有兩個可直接執行的完整腳本。
腳本 A：BeautifulSoup 方法（CSS selector）
import requests
from bs4 import BeautifulSoup
import pandas as pd
url = "https://www.imdb.com/chart/top/"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36",
"Accept-Language": "en-US,en;q=0.9"
}
response = requests.get(url, headers=headers)
if response.status_code != 200:
print(f"錯誤：{response.status_code}")
exit()
soup = BeautifulSoup(response.text, "lxml")
movie_items = soup.select("li.ipc-metadata-list-summary-item")
movies = []
for item in movie_items:
try:
title = item.select_one("h3.ipc-title__text")
year = item.select_one("span.cli-title-metadata-item")
rating = item.select_one("span.ipc-rating-star--rating")
movies.append({
"title": title.text.strip() if title else "N/A",
"year": year.text.strip() if year else "N/A",
"rating": rating.text.strip() if rating else "N/A",
})
except Exception as e:
print(f"因錯誤而略過電影：{e}")
df = pd.DataFrame(movies)
df.to_csv("imdb_top250_bs4.csv", index=False)
print(f"已儲存 {len(df)} 部電影")
print(df.head())
腳本 B：JSON-LD 方法（推薦）
import requests
from bs4 import BeautifulSoup
import json
import pandas as pd
url = "https://www.imdb.com/chart/top/"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36",
"Accept-Language": "en-US,en;q=0.9"
}
response = requests.get(url, headers=headers)
if response.status_code != 200:
print(f"錯誤：{response.status_code}")
exit()
soup = BeautifulSoup(response.text, "lxml")
script_tag = soup.find("script", {"type": "application/ld+json"})
if not script_tag:
print("找不到 JSON-LD 資料")
exit()
data = json.loads(script_tag.string)
movies = []
for item in data.get("itemListElement", []):
movie = item.get("item", {})
rating_info = movie.get("aggregateRating", {})
directors = movie.get("director", [])
director_names = ", ".join(
d.get("name", "") for d in (directors if isinstance(directors, list) else [directors])
)
movies.append({
"rank": item.get("position"),
"title": movie.get("name"),
"url": movie.get("url"),
"rating": rating_info.get("ratingValue"),
"votes": rating_info.get("ratingCount"),
"year": movie.get("datePublished", "")[:4],
"genre": ", ".join(movie.get("genre", [])),
"director": director_names,
"description": movie.get("description"),
})
df = pd.DataFrame(movies)
df.to_csv("imdb_top250_jsonld.csv", index=False)
print(f"已儲存 {len(df)} 部電影")
print(df.head())
這兩個腳本都有錯誤處理，而且都能輸出乾淨的 CSV。腳本 B 提供的資料更完整——導演、描述、URL——而且對版面變動的韌性更高。
不寫程式也能抓 IMDb：用 Thunderbit
不是每個人都需要或想要寫 Python。也許您是營運分析師，只想把這週評分最高的電影整理成試算表；也許您是內容策略師，想比較不同年份的類型趨勢。在這些情況下，自己寫爬蟲反而太重了。
以下是用 Thunderbit 取得相同資料的方法：
開始前先準備：
- 難度：初學者
- 所需時間：約 2 分鐘
- 您需要的東西：Chrome 瀏覽器、Thunderbit Chrome 擴充功能（免費方案可用）
步驟 1：前往您要抓取的 IMDb 頁面。 在 Chrome 中打開 IMDb Top 250（或任何其他 IMDb 清單／搜尋頁）。
步驟 2：在 Thunderbit 側邊欄點擊「AI Suggest Fields」。 AI 會掃描頁面並推薦欄位——通常會是標題、年份、評分、類型，以及其他幾個欄位，視頁面而定。您會看到一個預覽表格，裡面列出建議的欄位。
步驟 3：需要的話調整欄位。 移除不需要的欄位，或點擊「+ Add Column」並用白話英文描述您想要的內容（例如「Director name」或「Number of votes」）。
步驟 4：點擊「Scrape」。 Thunderbit 就會擷取資料。若頁面有無限捲動或分頁，它也會自動處理。
步驟 5：匯出。 點擊匯出按鈕並選擇格式——Excel、Google Sheets、CSV、Airtable 或 Notion。資料會在幾秒內送到您的目的地。
這裡真正的優勢不只是方便——而是 Thunderbit 的 AI 每次都會重新讀取頁面結構。當 IMDb 改版時（而且它一定會改），AI 也會跟著適應。不需要更新 selector，也不需要修程式。對任何曾在截止日前的凌晨兩點被壞掉的爬蟲折磨過的人來說，這非常值得。
Thunderbit 也支援子頁面抓取——您可以點進每部電影的詳細頁，補充演員、導演、片長，以及清單頁上看不到的其他欄位。想看實際操作，可以到 Thunderbit YouTube 頻道 看看。
抓取 IMDb 合法嗎？您需要知道什麼
使用者在論壇裡常直接問：「這樣做合法嗎？……IMDb 不想讓人抓他們的網站。」 這是個合理的問題，而且幾乎沒有競品文章會認真處理。
IMDb 的 robots.txt：Top 250 圖表（/chart/top/）、單一標題頁（/title/ttXXXXXXX/）以及姓名頁（/name/nmXXXXXXX/）都沒有被 robots.txt 封鎖。被封鎖的路徑包含 /find、/_json/*、/search/name-text、/user/ur*/ratings，以及各種 AJAX endpoint。它也沒有指定 Crawl-delay。
IMDb 的使用條款：相關條款寫道：「除非獲得我們明確的書面同意，否則你不得在本網站上使用資料探勘、機器人、畫面抓取或類似的資料收集與擷取工具。」 另一條則禁止轉售或商業使用抓取資料。
實務上代表什麼：近期 2024 年的法院判決（Meta v. Bright Data、X Corp v. Bright Data）認為，若使用者從未同意服務條款，那麼條款未必一定能約束使用公開資料的人——如果您是在未登入狀態下抓取公開可見內容，條款的可執行性其實有爭議。但這仍然是一個持續演變中的法律領域。
較安全的替代方案：IMDb 的 官方可下載資料集 明確允許個人與非商業用途。TMDb API 只要免費 API key 也相當寬鬆。如果您想明確站在安全一側，這兩者都是很好的選項。
實務建議：如果您真的要抓，請使用尊重對方伺服器的抓取頻率（每次請求間隔 time.sleep(3)）、設定正確的標頭，並避免碰觸被 robots.txt 封鎖的路徑。若是商業專案，請諮詢法律專業人士，或直接使用官方資料集／API。
我們也在 Thunderbit 部落格上深入討論過 網頁爬蟲的法律影響。
結論：選擇最適合的 IMDb Python 抓取方式
簡短總結：
- BeautifulSoup + CSS selector：適合學習基礎。預期它每 6–12 個月就會壞一次。一定要加上錯誤處理。
- JSON-LD 擷取：如果您要長期維護 Python 專案，我最推薦這個方法。它遵循 Schema.org 標準，比 CSS class 變動少得多，而且不需要 JavaScript 渲染就能拿到乾淨的結構化資料。
__NEXT_DATA__JSON：可作為補充，用來取得單一標題頁更豐富的資料（片長、完整演員表、劇情、海報圖片）。- IMDb 官方資料集：大規模分析的最佳選擇。2600 萬+ 標題、每日更新、無需抓取。僅限個人／非商業用途。
- Thunderbit：最適合不寫程式的人，或任何想快速拿到資料、又不想維護程式的人。AI 會適應版面變動、處理分頁，並可匯出到 Excel／Sheets／Airtable／Notion。
把這篇指南存起來——下次 IMDb 結構再變時，我會更新它。如果您想完全跳過程式，試試 Thunderbit 的免費方案，看看您能多快從 IMDb 頁面得到乾淨的試算表。如果您也在處理其他網站，我們關於 將網站資料抓取到 Excel 的指南會涵蓋更完整的流程。
試用適用於 IMDb 與更多網站的 AI 網頁爬蟲 Get Started Free
常見問題
抓取 IMDb 合法嗎？
IMDb 的使用條款禁止在未經同意的情況下抓取，但在近期 2024 年法院判決後，針對公開可存取資料的條款可執行性在法律上仍有爭議。最安全的選擇是 IMDb 的 官方免費資料集（限個人／非商業用途）或 TMDb API（免費 key）。如果您確實要抓，請尊重 robots.txt、在請求之間保留合理延遲，並避免被封鎖的路徑。商業用途請諮詢法律專業人士。
為什麼我的 IMDb 爬蟲回傳空結果？
幾乎總是因為過時的 CSS selector——像 td.titleColumn 和 td.ratingColumn 這些 class 自 2023 年 6 月後就不存在了。解法是改用 JSON-LD 擷取（解析 <script type="application/ld+json"> 標籤），或將 selector 更新為目前以 ipc- 開頭的 class。同時也要確認您有加上正確的 User-Agent 標頭，因為缺少該標頭時會觸發 403 錯誤，看起來就像空結果。
我要怎麼抓超過 25 筆 IMDb 結果？
Top 250 頁面會在單次回應中載入全部 250 部電影——不需要分頁。搜尋結果則可以使用 start= URL 參數（每次增加 50）逐頁抓取。例如：start=1、start=51、start=101。請在每次請求之間加入 time.sleep(3)，避免被封鎖。或者，您也可以直接使用 IMDb 官方資料集 datasets.imdbws.com，其中包含 2600 萬+ 標題，不需要分頁。
什麼是 __NEXT_DATA__，為什麼要用它抓 IMDb？
__NEXT_DATA__ 是 IMDb React/Next.js 頁面中嵌在 <script id="__NEXT_DATA__"> 標籤裡的一個 JSON 物件。它包含 React 用來渲染頁面的完整結構化資料——標題、評分、演員、類型、片長等等。因為它代表的是底層資料模型，而不是視覺版面，所以比 CSS selector 更能抵抗 UI 改版。將它和 JSON-LD 搭配使用，是最穩健的擷取方式。
可以不寫程式就抓 IMDb 嗎？
可以。主要有兩種方式：(1) 下載 IMDb 的 官方批次資料集——7 個 TSV 檔，涵蓋 2600 萬+ 標題，每日更新，供非商業用途免費使用。(2) 使用 Thunderbit 的人工智慧網頁爬蟲，它會讀取 IMDb 頁面、自動建議擷取欄位，並在兩次點擊內匯出到 Excel、Google Sheets 或 CSV——不用寫程式，也不用維護 selector。
延伸閱讀
