Scrapy CSS选择器：精确提取HTML非标签包裹文本内容的实用技巧-Python教程-PHP中文网

Scrapy CSS选择器：精确提取HTML非标签包裹文本内容的实用技巧

聖光之護

发布： 2025-10-15 08:30:14

原创

196人浏览过

Scrapy CSS选择器：精确提取HTML非标签包裹文本内容的实用技巧

本教程详细讲解了在scrapy中使用css选择器提取html中未被独立标签包裹的文本数据（如数字）的方法。通过分析`::text`选择器与`get()`和`getall()`方法的行为差异，展示了如何利用`getall()`获取所有匹配的文本节点，并通过列表索引和正则表达式精确提取目标数据，解决`get()`返回`none`或错误值的问题。

理解HTML文本节点的提取挑战

在使用Scrapy进行网页抓取时，我们经常需要从HTML中提取特定的文本信息。然而，当这些文本内容并非整齐地包裹在独立的标签（如<span>、<p>等）中，而是作为父元素下的直接文本节点存在时，提取过程可能会变得复杂。例如，在一个包含多个子元素和文本节点的div中，直接使用::text选择器配合get()方法往往无法准确获取到我们期望的特定文本。

考虑以下HTML结构片段，我们的目标是提取数字“1”：

<div class="search-results-listings-list__item-description__item search-results-listings-list__item-description__characteristics">
    <div class="search-results-listings-list__item-description__characteristics__item">
        <!--?xml version="1.0"?-->
        <svg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 46 41" class="search-results-listings-list__item-description__characteristics__icon search-results-listings-list__item-description__characteristics__icon--bedrooms"><path d="M5.106 0c-.997 0-1.52.904-1.52 1.533v11.965L.074 23.95c-.054.163-.074.38-.074.486V39.2c-.017.814.727 1.554 1.54 1.554.796 0 1.54-.74 1.52-1.554v-3.555h39.88V39.2c-.016.814.724 1.554 1.52 1.554.813 0 1.56-.74 1.54-1.554V24.436c0-.106-.017-.326-.074-.486l-3.512-10.449V1.537c0-.633-.523-1.534-1.52-1.534H5.106V0zm1.54 3.07h32.708v3.663a5.499 5.499 0 0 0-2.553-.614h-9.708c-1.614 0-3.06.687-4.093 1.77a5.648 5.648 0 0 0-4.093-1.77H9.2c-.924 0-1.793.217-2.553.614V3.07zm2.553 6.098h9.708c1.45 0 2.553 1.12 2.553 2.547v.523H6.646v-.523c0-1.426 1.103-2.547 2.553-2.547zm17.894 0H36.8c1.45 0 2.553 1.12 2.553 2.547v.523H24.54v-.523c0-1.426 1.103-2.547 2.553-2.547zm-20.88 6.12H39.79l2.553 7.615H3.656l2.556-7.615zM3.06 25.973h39.88v6.625H3.06v-6.625z"></path></svg>
        <div class="search-results-listings-list__item-description__characteristics-popover">Chambres</div>
        1
    </div>
</div>

登录后复制

在这个例子中，数字“1”是父div（带有类search-results-listings-list__item-description__characteristics__item）的一个直接文本子节点，位于一个svg标签和一个包含“Chambres”的div之后。

::text选择器与get()/getall()的行为差异

在Scrapy中，::text伪元素用于选择元素的直接文本内容。然而，它的行为与我们使用的提取方法（get()或getall()）密切相关。

立即学习“前端免费学习笔记（深入）”；

get()方法：当一个选择器匹配到多个文本节点时，get()方法只会返回第一个匹配到的文本节点。在上述HTML示例中，如果对最外层div使用::text，它可能会返回svg标签前的空白符、svg标签后的空白符，或者“Chambres”这个文本，而不是我们想要的“1”。这就是为什么最初尝试 house_listing.css('div.search-results-listings-list__item-description__characteristics__item::text').get() 可能返回None或不相关文本的原因。

巧文书
巧文书是一款AI写标书、AI写方案的产品。通过自研的先进AI大模型，精准解析招标文件，智能生成投标内容。

61

查看详情
getall()方法：与get()不同，getall()方法会返回所有匹配到的文本节点，以列表的形式呈现。这对于提取分散在多个子元素之间的文本节点至关重要。

解决方案：结合getall()和列表索引

要精确提取上述HTML结构中的数字“1”，关键在于使用getall()获取所有文本节点，然后从结果列表中选择正确的项。

首先，我们可以使用一个更具特异性的CSS选择器来定位包含目标信息的父元素，并利用:contains()伪类来确保我们选择的是正确的列表项（例如，包含“Chambres”的特性项）。

import scrapy
import re

html_snippet = """
<html>
<div class="search-results-listings-list__item-description__item search-results-listings-list__item-description__characteristics">
            <div class="search-results-listings-list__item-description__characteristics__item">
            <!--?xml version="1.0"?-->
<svg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 46 41" class="search-results-listings-list__item-description__characteristics__icon search-results-listings-list__item-description__characteristics__icon--bedrooms"><path d="M5.106 0c-.997 0-1.52.904-1.52 1.533v11.965L.074 23.95c-.054.163-.074.38-.074.486V39.2c-.017.814.727 1.554 1.54 1.554.796 0 1.54-.74 1.52-1.554v-3.555h39.88V39.2c-.016.814.724 1.554 1.52 1.554.813 0 1.56-.74 1.54-1.554V24.436c0-.106-.017-.326-.074-.486l-3.512-10.449V1.537c0-.633-.523-1.534-1.52-1.534H5.106V0zm1.54 3.07h32.708v3.663a5.499 5.499 0 0 0-2.553-.614h-9.708c-1.614 0-3.06.687-4.093 1.77a5.648 5.648 0 0 0-4.093-1.77H9.2c-.924 0-1.793.217-2.553.614V3.07zm2.553 6.098h9.708c1.45 0 2.553 1.12 2.553 2.547v.523H6.646v-.523c0-1.426 1.103-2.547 2.553-2.547zm17.894

登录后复制

以上就是Scrapy CSS选择器：精确提取HTML非标签包裹文本内容的实用技巧的详细内容，更多请关注php中文网其它相关文章！