从Xpath对象中排除标记内容

Question

我收到了这个HTML字符串：

'<li><strong>Réf. Robster+ :</strong> 3185W061</li>'

我需要抓住参考3185I061。不可能使用正则表达式作为参考可能是非常不同的组合。

我的xpath对象（来自scrapy）返回：

In [124]: xpath_var
Out[124]: <Selector xpath='//*[@id="reference"]/ul/li' data='<li>  <strong>Réf. Clim+ :</strong> 318506'>

和

xp.xpath('.').extract_first()
'<li><strong>Réf. Robster+ :</strong> 3185W061</li>'

如何至少删除该部件？

目前，我已尝试过这个：

xp.xpath('./[not(self::strong)]')

但它似乎是一个无效的表达。

Answer 1

这会做你需要的吗？

>>> from lxml import etree
>>> from io import StringIO
>>> tree = etree.parse(StringIO('''<li><strong>Réf. Robster+ :</strong> 3185W061</li>'''))
>>> li = tree.xpath('//li')[0]
>>> list(li.itertext())
['Réf. Robster+ :', ' 3185W061']

编辑：我应该说更多。一旦使用xpath来定位li元素，它的itertext就可以用来获取它拥有的任何文本内容。

Answer 2

以下是提取没有强标记内容的文本部分的方法。它有点令人困惑，因为你有2个xpath文本功能，不会返回相同的。在我的情况下，我使用的是text()而不是/@text。

>>> xp.xpath('.').extract_first()
>>> '<li><strong>Réf. Robster+ :</strong> 3185W061</li>'

>>> xp.xpath('./@text').extract_first()
>>> 

>>> xp.xpath('./text()').extract_first()
>>> ' 3185W061'

这正是我想要的。