怎样才能一次性提取多层嵌套标签的所有文本,详细如下:
假如页面如下:
<p id='test'>hello<b>world!</b></p>
我要的提取结果是:world!(假设world是很多标签组合的文本)
这里就需要注意text()的使用了:
首先设置sel = Selector(text=doc, type='html')
如果text()前面使用一个反斜杠:sel.xpath("//p[@id='test']/text()").extract()
得到的结果是:[u'hello'],只能提取到其根标签下的文本,不能提取到子标签下的文本
方法一:
如果text()前面使用两个反斜杠:sel.xpath("//p[@id='test']//text()").extract()
这样提取出来的是一个列表,得到的结果是:[u'hello', u'world!']
然后再将列表循环拼接即可得到想要的结果:helloworld!。
根据自己的需要根据下标提取
方法二:
sel.xpath("//p[@id='test']").xpath('string(.)').extract()
结果是:['helloworld!'],是已经拼接好的,需要使用正则表达式来来获取到自己想要的结果
参考:http://www.cnblogs.com/qlshine/p/5926101.html
参考:https://blog.csdn.net/Y_321_123/article/details/81413010