如何从 Scrapy 选择器中提取原始 html？

Question

我正在使用 response.xpath('//*')re_first() 提取 js 数据，然后将其转换为 python 本机数据。问题是 extract/re 方法似乎没有提供不取消引用 html 的方法，即

原版html:

{my_fields:['O&#39;Connor Park'], }

提取输出：

{my_fields:['O'Connor Park'], }

将此输出转换为 json 将不起作用。

最简单的解决方法是什么？

Answer 1

简答：

Scrapy/Parsel 选择器的 .re() 和 .re_first() 方法替换 HTML 实体（<、& 除外）
相反，使用 .extract() 或 .extract_first() 获取原始 HTML（或原始 JavaScript 指令）并使用 Python 的 re 提取字符串上的模块

长答案：

让我们看一个示例输入以及从 HTML.

中提取 Javascript 数据的各种方法

样本HTML：

<html lang="en">
<body>
<div>
    <script type="text/javascript">
        var i = {a:['O&#39;Connor Park']}
    </script>
</div>
</body>
</html>

使用下面使用 parsel 库的 scrapy 选择器，您可以通过多种方式提取 Javascript 片段：

>>> import scrapy
>>> t = """<html lang="en">
... <body>
... <div>
...     <script type="text/javascript">
...         var i = {a:['O&#39;Connor Park']}
...     </script>
...     
... </div>
... </body>
... </html>
... """
>>> selector = scrapy.Selector(text=t, type="html")
>>> 
>>> # extracting the <script> element as raw HTML
>>> selector.xpath('//div/script').extract_first()
u'<script type="text/javascript">\n        var i = {a:[\'O&#39;Connor Park\']}\n    </script>'
>>> 
>>> # only getting the text node inside the <script> element
>>> selector.xpath('//div/script/text()').extract_first()
u"\n        var i = {a:['O&#39;Connor Park']}\n    "
>>>

现在，使用 .re（或 .re_first）你会得到不同的结果：

>>> # I'm using a very simple "catch-all" regex
>>> # you are probably using a regex to extract
>>> # that specific "O'Connor Park" string
>>> selector.xpath('//div/script/text()').re_first('.+')
u"        var i = {a:['O'Connor Park']}"
>>> 
>>> # .re() on the element itself, one needs to handle newlines
>>> selector.xpath('//div/script').re_first('.+')
u'<script type="text/javascript">'    # only first line extracted
>>> import re
>>> selector.xpath('//div/script').re_first(re.compile('.+', re.DOTALL))
u'<script type="text/javascript">\n        var i = {a:[\'O\'Connor Park\']}\n    </script>'
>>>

HTML 实体 ' 已被 apostrophe. This is due to a w3lib.html.replace_entities() call in .re/re_first implementation (see parsel source code, in extract_regex 函数取代），仅在调用 extract() 或 extract_first()

Answer 2

您还可以使用与 Selector class' extract 方法相同的函数，但参数不同：

from lxml import etree
etree.tostring(selector._root)

Answer 3

自 parsel 1.2.0 (2017-05-17) 起，您可以将 replace_entities=False 传递给 re 和 re_first 以避免默认行为。

如何从 Scrapy 选择器中提取原始 html？

How to extract raw html from a Scrapy selector?

python

scrapy

parsel