在xpath中text()和string(.)的区别有哪些-创新互联
这篇文章将为大家详细讲解有关在xpath中text()和string(.)的区别有哪些，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。
我们在进行爬虫时候，经常会遇到如下这样的页面：
你好,北京
在日常抓取的时候，遇到更多的情况是抓取中的你好，这时使用xpath("//div/em/text()")就可以提取到。
现在我们考虑下面两种抓取需求：
需求1：我们想要提取“,北京”的时候，这个时候该用text()，还是string(.)?
需求2：提取 “你好,北京”呢?
我们先使用lxml库对页面进行一下初始化(如果你用的是scrapy的xpath选择器，也可以按照以下步骤运行)：
from lxml import etree
with open('foo.html', 'r') as f:
content = f.read().encode('utf8')
page = etree.HTML(content)
这里我们先看一下需求1的解法，也就是提取“,北京”：
re = page.xpath("//div/text()")
这里re得到的是一个数组：
这是因为在页面中标签
和之间是有换行符号的，因此使用"//div/text()"后会忽略掉你好，而剩下"\n",“,北京\n”两个元素。
我们取re的第二个元素，然后去掉结尾的换行符"\n"(如果你使用的是scrapy的xpath，这里re得到的可能不是一个数组):
re = re[1].strip()
这个时候得到的re就是我们需要的",北京"了。
现在看一下第二个需求：提取"你好,北京":
这里就要求里面的文本也要提取出来了，这时候我们使用string:
re = page.xpath("//div")[0].xpath("string(.)")
这时来看下re的值(同样如果你使用的是scrapy的选择器，scrapy_selector.xpath("//div")返回的结果可能不是一个数组，不过你只要取到结果然后再使用.xpath("string(.)")即可。):
得到的一整串文本" \n 你好,北京\n "。
看来使用"string(.)"后，xpath会把里的内容也直接提取出来，而不像上面中"text()"那样把都去掉后，再分割成一个数组。这里注意使用string()时候要把string(.)放在一个xpath中，而不是写成"//div/string(.)"这样，否则会抓取不到。
然后，同样的再去除一下两边多余的空格和换行符
re = re.strip()
这个时候re得到就是”你好,北京“啦。
总结：无锡人流医院 http://www.0510bhyy.com/
通过上述的实验，我们发现xpath里面text()只会取当层节点的文本并按照当层的tag进行分割，组成列表。而string(.)会把当层节点以及当层节点以下的所有文本都提取出来，放在一个字符串变量中。
实例代码：
test.py:
# coding=utf-8
from lxml import etree
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
class Test(object):
def __init__(self):
with open('foo.html', 'r') as f:
content = f.read().encode('utf8')
self.page = etree.HTML(content)
print self.page
def xpath_text(self):
re = self.page.xpath("//div/text()")
print re
re = re[1].strip()
print re
return re
def xpath_string(self):
re = self.page.xpath("//div")[0].xpath("string(.)")
print re
# 替换换行符等
re = re.strip(re)
print re
return re
if __name__ == "__main__":
t = Test()
assert t.xpath_text() == u",北京"
assert t.xpath_string() == u"你好,北京"
foo.html:
你好,北京
关于“在xpath中text()和string(.)的区别有哪些”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。
当前文章：在xpath中text()和string(.)的区别有哪些-创新互联
URL网址：http://mswzjz.cn/article/dpsjei.html