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
深度学习lover41 分钟前
<项目代码>YOLOv8 苹果腐烂识别<目标检测>
人工智能·python·yolo·目标检测·计算机视觉·苹果腐烂识别
XiaoLeisj2 小时前
【JavaEE初阶 — 多线程】单例模式 & 指令重排序问题
java·开发语言·java-ee
API快乐传递者2 小时前
淘宝反爬虫机制的主要手段有哪些?
爬虫·python
励志成为嵌入式工程师3 小时前
c语言简单编程练习9
c语言·开发语言·算法·vim
捕鲸叉3 小时前
创建线程时传递参数给线程
开发语言·c++·算法
A charmer3 小时前
【C++】vector 类深度解析:探索动态数组的奥秘
开发语言·c++·算法
Peter_chq3 小时前
【操作系统】基于环形队列的生产消费模型
linux·c语言·开发语言·c++·后端
阡之尘埃4 小时前
Python数据分析案例61——信贷风控评分卡模型(A卡)(scorecardpy 全面解析)
人工智能·python·机器学习·数据分析·智能风控·信贷风控
记录成长java5 小时前
ServletContext,Cookie,HttpSession的使用
java·开发语言·servlet
前端青山5 小时前
Node.js-增强 API 安全性和性能优化
开发语言·前端·javascript·性能优化·前端框架·node.js