带有type = html和html实体的xml的scrapy xpath解决方案

Question

我正在抓取一个 atom 提要 (xml)。其中一个标签说：

<content type="html">
&lt;p&gt Some text and stuff &lt;/p&gt
</content>

我还看到 img 和 a 标签的相同 html 实体。 是否有一个通用的 xpath 可以像这样找到 img 标签或 p 标签：

//content/p  or //content/img/@src

但显然这不适用于这些 html 实体。或者也许是其他的scrapy解决方案？

Answer 1

我认为您需要提取 content 文本元素，并为每个文本元素使用 lxml.html 解析 HTML 内容

import lxml.etree
import lxml.html

xmlfeed = lxml.etree.fromstring(xmlfeedstring)
for content in xmlfeed.xpath('//content[@type="html"]/text()'):

    htmlcontent = lxml.html.fragment_fromstring(content)
    paragraphs = htmlcontent.xpath('//p')
    image_urls = htmlcontent.xpath('//img/@src')

请参阅 lxml 文档中的 Parsing HTML fragments。