首页 > 解决方案 > 使用scrapy提取h2标签下的所有文本

问题描述

我需要搜索具有特定值的 h2 标记并提取其后面的所有文本,直到下一个 h2 标记或页面结尾。所以如果页面是

<h1 id="DDPSupport-InternalResources"><span style="color: rgb(0,51,102);"><strong>Internal Resources</strong></span></h1>
<h2 id="DDPSupport-GeneralInformation">General Information</h2>
<ul><li><a href="/display/ladtechtme/DDP+overview">DDP overview</a></li>
<li><a href="/display/ladtechtme/DDP+Configuration+guide">DDP Config guide</a></li>
<li><a href="/pages/viewpage.action?pageId=1338281922">Custom DPR</a></li>
<li><a href="/display/ladtechtme/Build+custom+package">Build custom package</a></li>
<li><a href="/display/ladtechtme/Unit+testing">Unit testing</a></li>
<li><a href="/display/ladtechtme/FAQ">FAQ </a></li>
<li><a href="/display/ladtechtme/Misc+BKMs">Misc BKMs</a></li></ul>
<h2 id="DDPSupport-UseCases">Use Cases</h2>
<ul><li><a href="/pages/viewpage.action?pageId=1338281922">Custom DPR </a></li>...

,预期输出为

DDP overview
DDP Config guide
Custom DPR
Build custom package
Unit testing
FAQ
Misc BKMs

我正在使用以下代码:

for head in response.xpath("//div[@class='wiki-content']/h2"):
   sub=str(head.xpath("text()").extract())
   sub = sub.replace("[","")
   sub = sub.replace("'","")
   sub = sub.replace("]","")
   if sub == 'General Information':
        lines = head.xpath("//following-sibling::*[count(following-sibling::h2)=1]//text()").extract()
        print(str(lines))

我得到了一些结果,但不是想要的结果。我的输出包含下一个 h2 标签的文本。任何帮助,将不胜感激。

标签: pythonhtmlwebscrapyscreen-scraping

解决方案


推荐阅读