xpath排除特定子节点


一直用xpath提取网页数据,有些文章嵌入一些图片 a标签等,一般的通用做法是用【正则】去除,可是也很难满足要求,

尤其是要提取的内容跟图片和a标签在相同的标签里

 

 如上图,都在p标签里,不管是内容还是图片,这时用正则也不是很灵活,现在办法是通过提取到文章主体部分,然后依次遍历每个段落,

            div_list = []
            div = response.xpath(
                '//div[@id="articlebody"]/*[not(name()="style") and not(@class="instrumentName") and not(@id="botlist")]').getall()
            if not div:
                # articleContent
                div = response.xpath(
                    '//div[@class="articleContent"]/*[not(name()="h4") and not(name()="div")]').getall()
            if div and len(div) > 0:
                for dv in div:
                    if "</a>" not in dv or "<img" not in dv:
                        div_list.append(dv)
            div_html = '''<div class="cont-cont">{0} </div>'''.format(
                "".join(div_list))

 这里只提取p标签和h3标签,遍历后如果内容中含有图片和a标签则删除,这样就可以处理排除掉特定子元素


免责声明!

本站转载的文章为个人学习借鉴使用,本站对版权不负任何法律责任。如果侵犯了您的隐私权益,请联系本站邮箱yoyou2525@163.com删除。



 
粤ICP备18138465号  © 2018-2025 CODEPRJ.COM