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
爱喝白开水a9 分钟前
LangChain 基础系列之 Prompt 工程详解:从设计原理到实战模板_langchain prompt
开发语言·数据库·人工智能·python·langchain·prompt·知识图谱
Neverfadeaway21 分钟前
【C语言】深入理解函数指针数组应用(4)
c语言·开发语言·算法·回调函数·转移表·c语言实现计算器
武子康22 分钟前
Java-152 深入浅出 MongoDB 索引详解 从 MongoDB B-树 到 MySQL B+树 索引机制、数据结构与应用场景的全面对比分析
java·开发语言·数据库·sql·mongodb·性能优化·nosql
杰克尼26 分钟前
JavaWeb_p165部门管理
java·开发语言·前端
一成码农1 小时前
JavaSE面向对象(下)
java·开发语言
偶尔的鼠标人1 小时前
Avalonia DataGrid 控件的LostFocus事件会多次触发
开发语言·c#
晚风残1 小时前
【C++ Primer】第十二章:动态内存管理
开发语言·c++·c++ primer
_extraordinary_1 小时前
Java Spring日志
java·开发语言·spring
初圣魔门首席弟子2 小时前
【C++ 学习】单词统计器:从 “代码乱炖” 到 “清晰可品” 的复习笔记
开发语言·c++
默默coding的程序猿2 小时前
3.git的分支携带问题是什么?怎么解决?
java·git·python·svn·gitee·github·intellij-idea