XPath判断当前选中节点的元素类型 Python lxml判断当前Element的元素类型 爬虫爬取页面分元素类型提取纯文本

背景&前言

不知道你们做爬虫的时候,有没有碰到和我一样的情况:将页面提取成纯文本的时候,由于页面中各种链接、加粗字体等,直接提取会造成结果一坨一坨的,非常不规整。有时候还要自己对标题等元素进行修改,麻烦的很。最好呢,有个判断元素类型的方法,能让我们看碟下菜。恰好呢,网上又没有这样的文章,于是乎我就来将一下我在互联网冲浪带回来的经验。

精华

那么如何判断元素类型呢?用name()函数。不过还有一个难点,就是怎么判断当前元素,这个网上文章比较少。怎么办呢?答案是直接调函数。

python 复制代码
if item.xpath("name()") == "ul":
    print("哈哈,被我判断出来了")

或者加上contains()函数一起:

python 复制代码
if item.xpath("contains(name(), 'ul')"):
    print("哈哈,又被我判断出来了")

下面就再介绍一下我碰到具体问题的情况吧。

问题

直接解析提取页面的文本时,会出现非常不规整的结果。

原页面:

页面源代码:

基本是ul-li下有链接a、字体小花样strike等。

直接打印提取代码:

python 复制代码
# 定位节点
div = html.xpath("//div[contains(@class,'content-entity-body')]//text()")

# 提取
for item in div:
    print(item)

直接提取打印结果:

可以看到结果很乱。

解决方法

方法一

判断当前元素,分别进行处理。

提取代码:

python 复制代码
# 定位节点,注意这里和之前的方法也不同了
div = html.xpath("//div[contains(@class,'content-entity-body')]")[0]

# 提取
for item in div:
    if item.xpath("contains(name(), 'ul')"):
    # if item.xpath("name()") == "ul":  # 这样也行
        for li in item.xpath("./li"):
            text += ''.join(li.xpath(".//text()")) + '\n'
    else:
        text += ''.join(item.xpath(".//text()")) + '\n'

结果:

结果好多了。

方法二

土路子,绕过这个问题,直接判断子节点,因为ul后必跟li。这当然不失为一种办法。

提取代码:

python 复制代码
# 定位节点
div = html.xpath("//div[contains(@class,'content-entity-body')]")[0]

# 提取
for item in div:
    # if item.xpath("name()") == "ul":
    # if item.xpath("contains(name(), 'ul')"):
    if item.xpath("./li"):  # 直接判断子节点
        for li in item.xpath("./li"):
            text += ''.join(li.xpath(".//text()")) + '\n'
    else:
        text += ''.join(item.xpath(".//text()")) + '\n'

结果同上。

相关推荐
feixing_fx9 分钟前
原始类型与引用类型:赋值时到底复制了什么
开发语言·前端·javascript·前端框架
LK_0710 分钟前
【力扣】142. 环形链表 II |Python
python·leetcode·链表
wuyk55511 分钟前
Python办公自动化-第02讲-Excel文件认知与四大库选型
开发语言·python·excel
神明不懂浪漫1 小时前
【第八章】多线程(一)
java·开发语言·经验分享·笔记
用户54817845909501 小时前
Java 与 Python 在大模型与智能体领域的选型
java·python
yiangL_2 小时前
1、Python 输入输出实验|print 与 input 人机交互实践
开发语言·python·人机交互
高洁012 小时前
世界模型的因果内核:从预测表象到理解机制
人工智能·python·深度学习·transformer·迁移学习
数字融合2 小时前
透明化视频动态三维重建空间数据零核心技术
人工智能·python·virtualenv
AI创界者3 小时前
Python 进阶实战(五十四章):大模型推理网关终极架构——分布式全局前缀 Trie 缓存同步与多网关高可用协同调度
人工智能·python·aigc