使用scrapy刮取没有javascript代码的文本

n6g7 发表于 Dev

n6g7

我目前正在使用scrapy设置一堆蜘蛛。这些蜘蛛应仅从目标站点中提取文本（文章，论坛帖子，段落等）。

问题是：有时，我的目标节点包含一个<script>标记，因此抓取的文本包含javascript代码。

这是我正在使用的真实示例的链接。在这种情况下，我的目标节点是//td[@id='contenuStory']。问题是<script>第一个子div中有一个标签。

我花了很多时间在Web和SO上寻找解决方案，但是我什么也找不到。希望我不会错过任何显而易见的事情！

例

HTML响应（仅目标节点）：

<div id="content">
    <div id="part1">Some text</div>
    <script>var s = 'javascript I don't want';</script>
    <div id="part2">Some other text</div>
</div>

我想要的物品是什么：

Some text
Some other text

我得到的是：

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

我的密码

给定一个xpath选择器，我正在使用以下函数来提取文本：

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

我尝试使用XPath轴（类似child::script），但无济于事。

凯夫

从w3lib.html以下位置尝试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', )))

本文收集自互联网，转载请注明来源。

如有侵权，请联系[email protected] 删除。