Python 如何使用xpath中的matches函数提取英语单词

我是

scrapy

和

python

的新手。如何使用

xpath

提取英语单词

以下是

HTML

页面的一个片段：

<span title="vacant">
vacant
</span>


<span title="linen">
linen
</span>

更新2:

实际上我是在抓取一本英汉词典，首先，我想提取一个英文单词（一个随机单词），上面列出了HTML源代码，其次，我想提取对应于英文单词的中文释义，HTML源代码如下：

<span title="adj. [Chinese paraphrase of vacant]" style="display:block;">
adj. [Chinese paraphrase of vacant]
</span>

你能试试这个代码吗

words = selector.xpath('//ul[@id="word_list_1"]/li')
for w in words:
    word_english = w.xpath('./div[@class="word_main_list_w"]/span/@title').extract()
    word_chinese = w.xpath('./div[@class="word_main_list_s"]/span/text()').extract()

---

经过一些研究，我发现了这个。我使用的是只支持xpath 1.0的

scrapy 0.22.2

，您可以参考其中不支持的

匹配

函数。所以我必须在python级别处理这个案例。为了提取所有有效的英语单词，我必须：

wordList = []

def isAllAlpha(s):
    format = 'abcdefghijklmnopqrstuvwxyz'

    for c in s:
        if not c in format:
            return False

    return True

def initWordList()
    for i in \
        sel.xpath("//span[not(contains(@title, '.'))]/text()").extract():
            temp = i.strip().lstrip('\r\n\t\t\t\t\t\t\t\t\t\t\t\t\t')
                            .rstrip('\r\n\t\t\t\t\t\t\t\t\t\t\t\t')
            if isAllAlpha(temp):
                wordList.append(temp)

---

这可能很愚蠢，但到目前为止，我还没有找到更好的方法。

我自己对这一点还比较陌生，但我已经做了大量的使用研究，我想我可以帮助澄清一些发布的代码：

返回[items for items in items if re.match（'[a-z]$'，item.strip（'\t\n\r'）]

re.match

中的

re

是正则表达式RegEx的简写形式），这就是为什么后面跟着要匹配的正则表达式：

[a-z]$

（这基本上意味着英语字母表中的任何字母——从a到z的任何字母）

我最熟悉Apache的RegEx，其中

$

表示字符串的结尾，但我不确定，它看起来更像是用作通配符

items.strip

说的是“要删除的项”，是用于空格的正则表达式（我想，在ASCII中……我不确定，但我知道它与文档的编码以及正则表达式如何解析和匹配有关）

\n

是一个“新行”

我猜

\t

是“tab”，我想

\r

是“return”（或者可能是“space”）

该规则可能会确保（源文件的）Unix样式的行尾

\n

和Windows样式的行尾，我认为它们是

\n\r

所以，如果解释的话，我认为代码实际上是在说

“为符合以下条件的数组中的每个项目生成1个项目：它们包含从a到z的任何英文字母，并忽略“新行”、“制表符”和“返回”的字符”

---

我还怀疑

I.strip

中的

I

是“不区分大小写”的缩写，意思是匹配大小写字母。

这个例外可能是“未注册函数”吗？请注意，包含完整的错误总是好的。。。不仅仅是我总是在上面的句子中出现synattax错误——这并不能帮助任何人诊断问题可能是什么。最终目标是什么？只提取带有单个单词标题的跨距还是@对不起，我没有包括错误消息。因为我觉得这可能是个简单的问题。实际上，字段中只有一个英语单词，如果“title”等于一个有效的英语单词，那么字段的文本就是我想要的单词。最终目标是提取欲望这个词。无论如何，我明天会更新我的问题。谢谢。您需要一个包含英语单词的单词列表来匹配它们和一个很长的XPath表达式。代码告诉我的是，您希望只使用字母数字字符匹配文本。您可能想重新表述您的问题。@ArtjomB。谢谢，我再次更新了我的问题。@JonClements你说得对，

matches

函数在

xpath 1.0

中不受支持。谢谢谢谢，但我觉得这对我来说不起作用。我的问题是要弄清楚为什么“匹配”函数一开始就不起作用。现在，经过一些研究，“scrapy”中的“xpath”版本似乎是1.0，其中不支持“matches”函数。因此，我必须在python级别处理它。需要注意的是：

temp=I.strip（）

就是您所需要的。。。这将删除两端的所有空白。。。如果您只需要一个子集（例如不包括空格），那么

temp=i.strip（'\r\n\t'）

就足够了……您的

isAllAlpha

似乎没有必要，Python有一个内置的字符串来处理它：

如果'Alan'。isalpha（）：

如果'123'。isalpha（）例如，这将有助于整理您的代码anyway@JonClements感谢您的注释，

strip（'\r\n\t'）

工作得很好。但是，

isaplha

在我的情况下不起作用，因为我必须处理一些中文单词（以

unicode

的形式），正如您所知，

unicode

对象没有属性

isaplha

。将所有内容合并为一个：

items=xpath（//span[not（contains（@title，'））]/text（））。extract（）；return[item for items in items if re.match（'[a-z]$'，item.strip（'\t\n\r'）]

请回答这个问题，并稍微解释一下您的代码，我不太理解这行

return[item for items in items if re.match（'[a-z]$'，item.strip（'\t\n\r'）]].

。作为一个python新手，这行

return[…]

对我来说很奇怪，返回一个…？还有什么是

re

？谢谢

words = selector.xpath('//ul[@id="word_list_1"]/li')
for w in words:
    word_english = w.xpath('./div[@class="word_main_list_w"]/span/@title').extract()
    word_chinese = w.xpath('./div[@class="word_main_list_s"]/span/text()').extract()

wordList = []

def isAllAlpha(s):
    format = 'abcdefghijklmnopqrstuvwxyz'

    for c in s:
        if not c in format:
            return False

    return True

def initWordList()
    for i in \
        sel.xpath("//span[not(contains(@title, '.'))]/text()").extract():
            temp = i.strip().lstrip('\r\n\t\t\t\t\t\t\t\t\t\t\t\t\t')
                            .rstrip('\r\n\t\t\t\t\t\t\t\t\t\t\t\t')
            if isAllAlpha(temp):
                wordList.append(temp)