Как последовательно экспортировать текст тегов <em> в scrapy

Я использую scrapy для анализа HTML-файла, который выглядит следующим образом:

<p class = "title">
    <a href = "#">#Who#</a>
    I don't <em>know</em>
    who you are
</p>

Я хочу извлечь весь текст, который не включает тег 'a' в теге 'p' в порядке. Итак, я ожидаю результата :

["I don't ", 'know', 'who you are']

Я пробовал использовать следующий код :

>>>selector = Selector(text = "<p class='title'><a href='#'>#Who#</a>I don't <em>know</em>who you are</p>")
>>>p_txt =selector.xpath('//p[@class = "title"]/text()').extract()
["I don't ", 'who you are']

В результате текст в теге em игнорируется. Я также пробовал использовать следующий код :

>>>p_txt =selector.xpath('//p[@class = "title"]/descendant::text()').extract()
['#Who#', "I don't ", 'know', 'who you are']

Но он также экспортирует текст в теге 'a'. Есть ли у кого-нибудь хорошее решение?

Спасибо

Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
1
0
169
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Попробуйте под XPath получить все текстовые узлы-потомки текстовых узлов pбез учета из a:

//p[@class = "title"]//text()[not(parent::a)]

P.S. Если ссылка выглядит как <a href = "#">something <b>bold</b> inside</a>, возможно, потребуется заменить (parent::a) на (ancestor::a).

Спасибо за помощь. Я хочу спросить, как использовать [not(parent::a)] в normalize-space(), потому что мой возврат - ["\n\t\t I don't ", 'know', 'who you are']?

giser_yugang 10.08.2018 12:15

Попробуйте p_txt = [node.strip() for node in selector.xpath('//p[@class = "title"]//text()[not(parent::a)]'‌​).extract()]

Andersson 10.08.2018 12:58

Замечательно! Спасибо большое.

giser_yugang 10.08.2018 13:13

Другие вопросы по теме