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)
————————————————
版权声明：本文为CSDN博主「sklsxy」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/sklsklsklsxy/article/details/81448478