删除不带/text（）的HTML标记。extract（）

Question

首先，我对这一切都很陌生，所以准备好一些我从各种来源复制/粘贴的代码。

我希望能够删除任何垃圾返回的html代码。我把所有东西都存储在MySQL中，没有任何问题，但我现在还不能做的是删除很多“<；td>；”和其他html标记。我最初只是使用/text（）.extract（）运行，但它会随机遇到一个按如下方式格式化的单元格：

<td>    <span class="caps">TEXT</span>  </td>
<td>    Text    </td>
<td>    Text    </td>
<td>    Text    </td>
<td>    Text    </td>

它没有一个模式可以让我在使用/文本与否之间做出选择，我正在寻找一个初学者能够实现的最简单的方法来消除所有这些。

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from scrapy.contrib.loader import XPathItemLoader
from scrapy.contrib.loader.processor import Join, MapCompose
import html2text
from scraper.items import LivingSocialDeal


class CFBDVRB(BaseSpider):
    name = "cfbdvrb"
    allowed_domains = ["url"]
    start_urls = [
        "url",
    ]

    deals_list_xpath = '//table[@class="tbl data-table"]/tbody/tr'
    item_fields = {
        'title': './/td[1]',
        'link': './/td[2]',
        'location': './/td[3]',
        'original_price': './/td[4]',
        'price': './/td[5]',
    }

    def parse(self, response):
        selector = HtmlXPathSelector(response)

        for deal in selector.xpath(self.deals_list_xpath):
            loader = XPathItemLoader(LivingSocialDeal(), selector=deal)

            # define processors
            loader.default_input_processor = MapCompose(unicode.strip)
            loader.default_output_processor = Join()

            # iterate over fields and add xpaths to the loader
            for field, xpath in self.item_fields.iteritems():
                loader.add_xpath(field, xpath)

            converter = html2text.HTML2Text()
            converter.ignore_links = True
            yield loader.load_item()

converter=html2text是我最后一次尝试那样删除它，我不完全确定我是否正确实现了它，但它没有工作。

提前感谢你的帮助，如果我错过了一些简单的东西，我也很抱歉，快速搜索可以拉上来。

Answer 1

Scrapy的作者在他们的w3lib中使用了一系列这种功能，它是Scrapy的一部分/包含在Scrapy中。

根据您的代码，您使用的是非常过时的Scrapy版本（0.22之前）。我不确定你到底能得到什么，所以你可能需要从scrapy.utils.markup导入，而不是从

如果变量my_text包含HTML文本，请执行以下操作：

>>> from w3lib.html import remove_tags
>>> my_text
'<td>    <span class="caps">TEXT</span>  </td>\n<td>    Text    </td>\n<td>    Text    </td>\n<td>    Text    </td>\n<td>    Text    </td>'
>>> remove_tags(my_text)
u'    TEXT  \n    Text    \n    Text    \n    Text    \n    Text    '

使用w3lib（代码可用here）修复/转换html/markup还有很多额外的功能。

因为这只是一个函数，所以很容易合并到项目加载程序中，并且比使用BS4更轻量级。

Answer 2

最简单的方法是使用美化组。即使是残破的文件也推荐了它。

假设您有一个名为“html_text”的变量，其中包含以下html代码：

<td>    <span class="caps">TEXT</span>  </td>
<td>    Text    </td>
<td>    Text    </td>
<td>    Text    </td>
<td>    Text    </td>

然后可以使用此命令删除所有htmltag：

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_text, 'html.parser')
just_text = soup.get_text()

然后变量“just_text”将只包含文本：

TEXT
Text
Text
Text

我希望这能解决你的问题。

您可以在以下位置看到更多示例和安装指南（比Scrapy更容易）： BeautifulSoup

祝你好运！

编辑：

这里有一个使用您提出的html的工作示例：

from bs4 import BeautifulSoup


html_text = """
<td>    <span class="caps">TEXT</span>  </td>
<td>    Text    </td>
<td>    Text    </td>
<td>    Text    </td>
<td>    Text    </td>
"""

soup = BeautifulSoup(html_text, 'html.parser')

List_of_tds = soup.findAll('td')

for td_element in List_of_tds:
    print td_element.get_text()

请注意，您需要使用美化组4，您可以安装以下these instructions。如果你有，你可以复制粘贴代码，看看它对其他html做了什么，然后修改它来满足你的需要。