Question

我是python的新手，也很容易抓。不过，我花了几天时间尝试从存档中抓取新闻文章-成功。

问题是，当我抓取文章<p>的内容时，内容中充满了其他标签，例如-strong，a等。因此，这样的抓取不会将其拉出我剩下的新闻文章包含文本的2/3。将在下面尝试HTML：

<p> According to <a> Japan's newspapers </a> it happened ... </p>

现在，我尝试在Google上四处搜寻，并在这里寻找论坛。有一些建议，但根据我的尝试，它没有用或破坏了我的蜘蛛：

我已经阅读了有关规范化空间和删除标签的信息，但是没有用。感谢您提前获得任何见解。

Answer 1

您可以使用string.replace（，）

new_string = old_string.replace("<a>", "")

您可以将其集成到一个循环中，该循环遍历包含要丢弃的所有子字符串的列表。

Answer 2

请提供选择器以获取更多详细帮助。

鉴于您的描述，我猜您选择的是p/text()（xml）或p::text（css），它们不会在{{ 1}}元素。

您应该尝试选择<p>来获取response.xpath('//p/descendant-or-self::*/text()')及其所有子项中的文本。

您也可以只选择<p>，而不是它的文本，并且也会得到它的子级。从那里您可以开始清理标签。 answered questions关于如何做到这一点。