Question

我有这段代码

   site = hxs.select("//h1[@class='state']")
   log.msg(str(site[0].extract()),level=log.ERROR)

输出

 [scrapy] ERROR: <h1 class="state"><strong>
            1</strong>
            <span> job containing <strong>php</strong> in <strong>region</strong> paying  <strong>$30-40k per year</strong></span>
                </h1>

是否可以只获取没有任何html标签的文本

Answer 1

//h1[@class='state']

在您的上述xpath中，您选择的h1代码具有class属性state

这就是为什么它会选择h1 element

中的所有内容

如果您只想选择h1标签的文字，那么您只需

//h1[@class='state']/text()

如果您要选择h1标签的文字及其子标签，则必须使用

//h1[@class='state']//text()

因此特定标记文本的差异为/text()，特定标记及其子标记的文本为//text()

下面提到的代码适合你

site = ''.join(hxs.select("//h1[@class='state']/text()").extract()).strip()

Answer 2

您可以使用BeautifulSoup get_text()功能。

from bs4 import BeautifulSoup

text = '''
<td><a href="http://www.fakewebsite.com">Please can you strip me?</a>
<br/><a href="http://www.fakewebsite.com">I am waiting....</a>
</td>
'''
soup = BeautifulSoup(text)

print(soup.get_text())

Answer 3

我没有运行scrapy实例，所以我无法测试它;但您可以尝试在搜索表达式中使用text()。

例如：

site = hxs.select("//h1[@class='state']/text()")

（从tutorial获得）

Answer 4

您可以使用BeautifulSoup来删除html标记，以下是一个示例：

from BeautifulSoup import BeautifulSoup
''.join(BeautifulSoup(str(site[0].extract())).findAll(text=True))

然后您可以删除所有其他空格，新行等。

如果您不想使用其他模块，可以尝试使用简单的正则表达式：

# replace html tags with ' '
text = re.sub(r'<[^>]*?>', ' ', str(site[0].extract()))

Answer 5

您可以使用html2text

import html2text
converter = html2text.HTML2Text()
print converter.handle("<div>Please!!!<span>remove me</span></div>")

如何在python中仅提取scrapy选择器中的文本

5 个答案: