背景&前言

不知道你们做爬虫的时候，有没有碰到和我一样的情况：将页面提取成纯文本的时候，由于页面中各种链接、加粗字体等，直接提取会造成结果一坨一坨的，非常不规整。有时候还要自己对标题等元素进行修改，麻烦的很。最好呢，有个判断元素类型的方法，能让我们看碟下菜。恰好呢，网上又没有这样的文章，于是乎我就来将一下我在互联网冲浪带回来的经验。

精华

那么如何判断元素类型呢？用name()函数。不过还有一个难点，就是怎么判断当前元素，这个网上文章比较少。怎么办呢？答案是直接调函数。

if item.xpath("name()") == "ul":print("哈哈，被我判断出来了")

或者加上contains()函数一起：

if item.xpath("contains(name(), 'ul')"):print("哈哈，又被我判断出来了")

下面就再介绍一下我碰到具体问题的情况吧。

问题

直接解析提取页面的文本时，会出现非常不规整的结果。

原页面：

页面源代码：

基本是ul-li下有链接a、字体小花样strike等。

直接打印提取代码：

# 定位节点
div = html.xpath("//div[contains(@class,'content-entity-body')]//text()")# 提取
for item in div:print(item)

直接提取打印结果：

可以看到结果很乱。

 解决方法

方法一

判断当前元素，分别进行处理。

提取代码：

# 定位节点，注意这里和之前的方法也不同了
div = html.xpath("//div[contains(@class,'content-entity-body')]")[0]# 提取
for item in div:if item.xpath("contains(name(), 'ul')"):# if item.xpath("name()") == "ul":  # 这样也行for li in item.xpath("./li"):text += ''.join(li.xpath(".//text()")) + '\n'else:text += ''.join(item.xpath(".//text()")) + '\n'

结果：

结果好多了。

方法二

土路子，绕过这个问题，直接判断子节点，因为ul后必跟li。这当然不失为一种办法。

提取代码：

# 定位节点
div = html.xpath("//div[contains(@class,'content-entity-body')]")[0]# 提取
for item in div:# if item.xpath("name()") == "ul":# if item.xpath("contains(name(), 'ul')"):if item.xpath("./li"):  # 直接判断子节点for li in item.xpath("./li"):text += ''.join(li.xpath(".//text()")) + '\n'else:text += ''.join(item.xpath(".//text()")) + '\n'

结果同上。