python – 使用scrapy刮掉没有javascript代码的文本

前端之家收集整理的这篇文章主要介绍了python – 使用scrapy刮掉没有javascript代码的文本前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。

我目前正在使用scrapy设置一堆蜘蛛.这些蜘蛛应该只从目标网站中提取文本(文章,论坛帖子,段落等).

问题是:有时,我的目标节点包含< script>标签,因此刮下的文本包含javascript代码.

Here is a link到我正在使用的一个真实的例子.在这种情况下,我的目标节点是// td [@ id =’contenuStory’].问题是有一个< script>标记在第一个子div中.

我花了很多时间在网上和SO上搜索解决方案,但我找不到任何东西.我希望我没有错过任何明显的东西!

HTML响应(仅限目标节点):

我想要的东西:

Some text
Some other text

我得到了什么:

Some text
var s = 'javascript I don't want';
Some other text

我的代码

给定一个xpath选择器我正在使用以下函数提取文本:

def getText(hxs):
    if len(hxs) > 0:
        l = hxs.select('string(.)')
        if len(l) > 0:
            s = l[0].extract().encode('utf-8')
        else:
            s = hxs[0].extract().encode('utf-8')
        return s
    else:
        return 0

我尝试过使用XPath轴(像child :: script这样的东西),但无济于事.

最佳答案
尝试使用w3lib.html中的utils函数

from w3lib.html import remove_tags,remove_tags_with_content

input = hxs.select('//div[@id="content"]').extract()
output = remove_tags(remove_tags_with_content(input,('script',)))
原文链接:https://www.f2er.com/python/439652.html

猜你在找的Python相关文章