python - Xpath - 具有包含文本值的表格的多个嵌套 div

问题描述

我在要从中提取文本信息的网站上遇到了复杂的 html 结构。

网站结构如下：

<ul class = "listing_pages">
    <li id = "list_1" style = ""></li>
    <li id = "list_2" style = ""></li>
    <li id = "list_3" style = ""></li>
    <li id = "list_4" style = ""></li>
    <li id = "list_5" style = ""></li>
    <li id = "list_6" style = ""></li>
    <li id = "list_7" style = ""></li>
    <li id = "list_8" style = ""></li>
    <li id = "list_9" style = ""></li>
</ul>

每一个id="list_*"展开成

<li id="list_1">
<div class="description_block">
<table valign="top">
<tbody>
<tr valign="top">
<td width="400px">
<table>
<tbody>
<tr>
<td style="width:350px">
<div></div>
<table></table>
<table cellspacing="0">
<tbody>
<tr>
<td height="15px">
<h2>
<a class="product_title" title="PRODUCT_NAME" href="http://example.com">PRODUCT_NAME</a>

其噩梦般的结构！而且它重复吃list_*

以下的相对 Xpath 是

/div[9]/div[2]/div[3]/div[2]/form/div/div[2]/ul/li[1]/div[2]/table/tbody/tr/td[1]/table/tbody/tr/td/table[2]/tbody/tr/td/h2/a

哪个失败了。

我尝试过的很少成功的事情是，

response.xpath('//*[@id="one"]//table//tr//h2//a[position()]//text()').extract()

这从页面中提取所有/h2/a内容，而不是从单个list_*

response.xpath('//*[@id="list_1"]//table//tr//h2//a//text()').extract()

这会正确提取文本，但只能从第一个list_1div 中提取。我可以用增加它extract()[++i]，但这不是最佳解决方案，我认为肯定有更好的方法来做到这一点。

我想要完成的是：

按顺序从每个 list_* 中提取文本 (PRODUCT_NAME)。

标签： pythonxpathscrapyweb-crawler

也许尝试css像这样的选择器：response.css('li[id*="list_"] a.product_title::text').extract()？还是 xpath response.xpath('//li[contains(@id, "list_")]//a[contains(@class, "product_title")]/text()')？

UPD：对于迭代：

for item in response.css('li[id*="list_"]'):
    print item.css('a.product_title::text').get()

或者

for item in response.xpath('//li[contains(@id, "list_")]'):
    print item.xpath('.//a[contains(@class, "product_title")]/text()').get()

python - Xpath - 具有包含文本值的表格的多个嵌套 div

问题描述

解决方案

推荐阅读