html text全删,删除不带/text（）的HTML标记。extract（）

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“&lt；td&gt；”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：

TEXT Text Text Text Text

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。