用于从Scrapy输出中删除文本的代码
[英]Code to remove text from Scrapy output
问题描述
下面是我想用scrapy抓取的一段HTML代码示例。
<body>
<h2 class="post-title entry-title">Sample Header</h2>
<div class="entry clearfix">
<div class="sample1">
<p>Hello</p>
</div>
<!--start comment-->
<div class="sample2">
<p>World</p>
</div>
<!--end comment-->
</div>
<ul class="post-categories">
<li><a href="123.html">Category1</a></li>
<li><a href="456.html">Category2</a></li>
<li><a href="789.html">Category3</a></li>
</ul>
</body>
现在我正在使用以下工作的scrapy代码：
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from isbullshit.items import IsBullshitItem
class IsBullshitSpider(CrawlSpider):
name = 'isbullshit'
start_urls = ['http://sample.com']
rules = [Rule(SgmlLinkExtractor(allow=[r'page/\d+']), follow=True),
Rule(SgmlLinkExtractor(allow=[r'\w+']), callback='parse_blogpost')]
def parse_blogpost(self, response):
hxs = HtmlXPathSelector(response)
item = IsBullshitItem()
item['title'] = hxs.select('//h2[@class="post-title entry-title"]/text()').extract()[0]
item['tag'] = hxs.select('//ul[@class="post-categories"]/li[1]/a/text()').extract()[0]
item['article_html'] = hxs.select("//div[@class='entry clearfix']").extract()[0]
return item
它给了我以下xml输出：
<?xml version="1.0" encoding="utf-8"?>
<items>
<item>
<article_html>
<div class="entry clearfix">
<div class="sample1">
<p>Hello</p>
</div>
<!--start comment-->
<div class="sample2">
<p>World</p>
</div>
<!--end comment-->
</div>
</article_html>
<tag>
Category1
</tag>
<title>
Sample Header
</title>
</item>
</items>
我想知道如何实现以下输出：
<?xml version="1.0" encoding="utf-8"?>
<items>
<item>
<article_html>
<div class="entry clearfix">
<div class="sample1">
<p>Hello</p>
</div>
<!--start comment-->
<!--end comment-->
</div>
</article_html>
<tag>
Category1,Category2,Category3
</tag>
<title>
Sample Header
</title>
</item>
</items>
注意：类别数量取决于帖子。 在上面的例子中，有3个类别。 可能会有更多或更少。
非常感谢帮助。 干杯。
2 个解决方案
解决方案1
2 2015-12-07 23:25:52
sel = Selector(text=u"<div class="entry clearfix">
<div class="sample1">
<p>Hello</p>
</div>
<!--start comment-->
<div class="sample2">
<p>World</p>
</div>
<!--end comment-->
</div>")
total = sel.xpath('//div[@class="entry clearfix"]').extract_first()
第一部分
unwanted_part = sel.xpath('//div[@class="sample2"]').extract_first()
new_total = total.replace(unwanted_part, '')
第二部分
comments = sel.xpath('//div[@class="entry clearfix"]/comment()').extract()
new_total = total
for comment in comments:
new_total = new_total.replace(comment, '')
我不认为这可以使用xpath或css完成。
解决方案2
0 2015-12-08 00:56:30
对于scrapy的选择者来说，这不是一份工作。 如果你想操纵一个DOM，你最好使用BeautifulSoup ：
from bs4 import BeautifulSoup
[...]
item = hxs.select("//div[@class='entry clearfix']").extract()[0]
# Removing div#sample1
soup = BeautifulSoup(item)
# Select supports CSS selection
tags = soup.select('div.sample1')[0] # Assume at least one element found
tags[0].extract() # remove element in-place
sub_total = soup.div.encode()
第二个是一个小问题，因为无法使用extracts但这是一个替代方案：
soup = BeautifulSoup(item)
temp = soup.div.div.extract() # Get inner tag of interest
soup.div.clear() # Remove all children tags
soup.div.append(temp) # Insert temp tag
sub_total = soup.div.encode()
我知道这感觉太手工和冗长，但至少是一种选择。
从Scrapy输出中删除文本
声明:本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.