无法删除抓取文本之间的空格

Question

我在 python 中编写了一个脚本，用于从某些 html 元素中抓取一些文本。该脚本现在可以解析它。然而，问题是结果看起来很奇怪，它们之间有一堆空格。我该如何解决？任何帮助将不胜感激。

这是应从中删除文本的 html 个元素：

html="""
<div class="postal-address">
        <p>11525 23 AVE</p>


        <p>EDMONTON,
        AB
        ,
        T6J 4T3
        </p>

        <p><a rel="nofollow" href="mailto:info@something.com">info@something.com</a></p>
        <p><a rel="nofollow" href="http://www.something.org" target="_blank">Visit our Web Site</a></p>
    </div>
"""

这是我正在尝试的脚本：

from lxml.html import fromstring

root = fromstring(html)
address = [item.text for item in root.cssselect(".postal-address p")]
print(address)

我得到的结果：

11525 23 AVE, EDMONTON,\n        AB\n        ,\n        T6J 4T3\n

预期结果：

11525 23 AVE EDMONTON, AB, T6J 4T3

我试图在这一行 [item.text for item in root.cssselect(".postal-address p")] 中应用 .strip() 和 .replace("\n","") 但它抛出了一个错误显示 none type object.

顺便说一句，我不希望有任何与 regex 相关的解决方案。提前致谢。

Answer 1

当你执行 .replace("\n","") 时，我认为你必须转义斜线。这有时会让人感到困惑，如果不尝试，我无法告诉你需要多少次斜杠才能逃脱它，但请尝试其中之一....

.replace("\n","")
.replace("\\n","")
.replace("\\n","")

使用单引号会发生什么？

Answer 2

用逗号分隔源字符串。
从结果列表中的每个字符串中去除任何前导或尾随空格。
使用 ', ' 作为分隔符连接字符串。

像这样：

src = '11525 23 AVE, EDMONTON,\n        AB\n        ,\n        T6J 4T3\n'
print(', '.join([s.strip() for s in src.split(',')]))

输出

11525 23 AVE, EDMONTON, AB, T6J 4T3

如果您已经有了一个字符串列表，这就更简单了：

address = [
    '11525 23 AVE', 
    ' EDMONTON', 
    '\n        AB\n        ', 
    '\n        T6J 4T3\n'
]

print(', '.join([s.strip() for s in address]))

Answer 3

尝试以下解决方案，如有任何问题请告诉我：

address = [" ".join(item.text.split()).replace(" ,", ",") for item in root.cssselect(".postal-address p") if item.text]

输出：

['11525 23 AVE', 'EDMONTON, AB, T6J 4T3']

无法删除抓取文本之间的空格

Unable to remove spaces between scraped text

python

python-3.x

web-scraping

lxml.html