Python 在单个字符串中获取每个段落文本时，正确的xpath/css是什么？

首先，我创建一个HtmlResponse并使用scrapy读取它：

from scrapy.http import HtmlResponse
from scrapy.selector import Selector

body = """
<div class="a">
  <p>
      text1<br> text2
  </p>
</div>
<div class="a">
    <p>
         text3
    </p>
</div>
 """
response = HtmlResponse(url='http://example.com/', body=body)
sel = Selector(response)

正如你所注意到的，我得到了2个段落的3个文本元素？如何仅获取2个文本元素

  [u'text1 text2',u'text3']

---

请注意，我不喜欢使用

BeautifulSoup

，因为性能是这里的一项要求。

我使用了这个使用压缩的解决方案，也许其他人可以有更好的选择：

[''.join(x.xpath('./text()').extract()) for x in sel.xpath('//div[@class="a"]/p')]

## [u'\n      text1 aa\n  ', u'\n         text3\n    ']

使用CSS选择器（包括Scrapy的

：：text

扩展名）：

>>从scrapy.http导入HtmlResponse
>>>从scrapy.selector导入选择器
>>> 
>>>body=”“”
... 
…
…text1
text2

... 
... 
…
…文本3

... 
...  """
>>>response=HtmlResponse（url=）http://example.com/，body=body）
>>>sel=选择器（响应）
>>>[u'。为sel.css（'div.a>p'）中的段落连接（段落.css（'：：text'）.extract（））.strip（）]
[u'text1 text2'，u'text3']
>>> 

谢谢+1相当于我的，但使用css。我检查它是否使用清洁剂（清洁剂溶液）。

[''.join(x.xpath('./text()').extract()) for x in sel.xpath('//div[@class="a"]/p')]

## [u'\n      text1 aa\n  ', u'\n         text3\n    ']

>>> from scrapy.http import HtmlResponse
>>> from scrapy.selector import Selector
>>> 
>>> body = """
... <div class="a">
...   <p>
...       text1<br> text2
...   </p>
... </div>
... <div class="a">
...     <p>
...          text3
...     </p>
... </div>
...  """
>>> response = HtmlResponse(url='http://example.com/', body=body)
>>> sel = Selector(response)
>>> [u''.join(paragraph.css('::text').extract()).strip() for paragraph in sel.css('div.a > p')]
[u'text1 text2', u'text3']
>>>