我目前正在使用scrapy设置一堆蜘蛛。这些蜘蛛应该只从目标站点中提取文本(文章、论坛帖子、段落等)。
问题是:有时,我的目标节点包含一个<script>
标签,因此抓取的文本包含 javascript 代码。
这是我正在使用的真实示例的链接。在这种情况下,我的目标节点是//td[@id='contenuStory']
. 问题是<script>
第一个子 div 中有一个标签。
我花了很多时间在网上和 SO 上寻找解决方案,但我找不到任何东西。我希望我没有错过一些明显的东西!
例子
HTML 响应(仅目标节点):
<div id="content">
<div id="part1">Some text</div>
<script>var s = 'javascript I don't want';</script>
<div id="part2">Some other text</div>
</div>
我想要的物品:
Some text
Some other text
我得到什么:
Some text
var s = 'javascript I don't want';
Some other text
我的代码
给定一个 xpath 选择器,我使用以下函数来提取文本:
def getText(hxs):
if len(hxs) > 0:
l = hxs.select('string(.)')
if len(l) > 0:
s = l[0].extract().encode('utf-8')
else:
s = hxs[0].extract().encode('utf-8')
return s
else:
return 0
我试过使用 XPath 轴(类似的东西child::script
)但无济于事。