0

我一直在使用 XPath 和 scrapy 从在线的 html 标签中提取文本，但是当我这样做时，我会附加额外的字符。一个示例是尝试从<td>标签中提取数字，例如“204”并获取[u'204']. 在某些情况下，情况要糟糕得多。例如尝试提取“1 - Mathoverflow”而不是获取[u'\r\n\t\t 1 \u2013 MathOverflow\r\n\t\t ']. 有没有办法防止这种情况发生，或者修剪字符串以使多余的字符不是字符串的一部分？（使用项目来存储数据）。看起来它与格式化有关，那么我如何让 xpath 不拾取那些东西呢？

4

3 回答 3

2

返回的代码行是什么样的[u'204']？看起来返回的是一个 Python 列表，其中包含一个带有您想要的值的 unicode 字符串。那里什么都没有——只是下标。至于回车、换行和制表符，就像伟业东刚刚回答的那样，strip 会把它们拿出来。

大概

my_answer = item1['Title'][0].strip()

或者，如果您期待几场比赛

for ans_i in item1['Title']:
    do_something_with( ans_i.strip() )
于 2010-05-25T23:00:46.993 回答
2

标准的 XPath 函数normalize-space()正是想要的效果。

它删除前导和尾随空白，并仅用一个空格替换任何内部空白。

所以，你可以使用：

normalize-space(someExpression)

于 2010-05-25T23:17:02.093 回答
1

使用 strip() 删除前导和尾随空格。

>>> u'\r\n\t\t 1 \u2013 MathOverflow\r\n\t\t '.strip()
u'1 \u2013 MathOverflow'
于 2010-05-25T22:51:27.327 回答