xpath获取内容的方式

以百度为例：'https://tieba.baidu.com'

1.获取最外面标签，遍历内部所有的字标签，获取标签文本

content_list =div.xpath('.//div[@class="d_post_content j_d_post_content "]/text()').extract()

2.正则去掉所有标签  <.*?>   re.compile.sub()

content_list=div.xpath('.//div[@class="d_post_content j_d_post_content "]')

pattern=re.compile(r('<.*?>'),re.S)

content=pattern.sub('',content_list)

3./text() 获取标签的文本 //text()获取标签以及子标签的文本

content_list = div.xpath(‘.//div[@class=”d_post_content j_d_post_content “]//text()’).extract()

4 使用xpath(‘string(.)’)这种方式获取所有文本 并且拼接

content_list=div.xpath('.//div[@class="d_post_content j_d_post_content "]').xpath('string(.)').extract()[0]+'\n'

文本内容获取之后print(content_list)查看内容,如需处理格式,则如下:

remove = re.compile('\s')
content = ''
for string in content_list:
    string = remove.sub('',string)
    content += string
    print(content)