Python 刮削时如何消除某些元素？

因此，我不知道如何在这里进行。我有一个我正试图抓取的页面示例：

现在我使用xpath选择'article'div类，然后选择后续的

，我可以始终删除第一个，因为它是相同的股票新闻文本（city、yonhapnews、reporter等），我正在评估单词密度，因此这可能是我的一个问题：(

这一期在文章的结尾。如果你看文章的结尾，有一个记者的电子邮件地址和发表的日期和时间

问题是，在这个网站的不同页面上，末尾有不同数量的

标签，所以我不能只删除最后两个，因为它有时仍然会影响我的结果

您将如何在最后消除那些特定的

元素？我是否需要在之后尝试清理数据

下面是选择路径并删除前两个路径的代码段。我应该如何更改它

# gets all the text from the listed div and then applies the regex to find all word objects in hanul range
hangul_syllables = response.xpath('//*[@class="article"]/p//text()').re(ur'[\uac00-\ud7af]+')

# For yonhapnews the first and the last two <p>'s are useless, everything else should be good
hangul_syllables = hangul_syllables[1:-2]

#从列出的div中获取所有文本，然后应用正则表达式查找hanul范围内的所有word对象
韩语音节=response.xpath（'//*[@class=“article”]/p//text（）'）.re（ur'[\uac00-\ud7af]+'））
#对联合通讯社来说，前两条和后两条都是无用的，其他一切都应该是好的
韩国语音节=韩国语音节[1:-2]

您可以调整XPath表达式，使其不包含带有

class=“adrs”

（发布日期）的

p

标记：

---

除了alecxe的答案之外，您还可以使用检查电子邮件地址的东西（可能被空格包围）排除包含电子邮件地址的

p

。如何做取决于您是使用XPath 2.0还是仅使用1.0。在2.0中，您可以执行以下操作：

//*[@class="article"]/p[not(contains(@class, "adrs")
       or text()[matches(normalize-space(.),
                   "^[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4}$", "i")])]//text()

---

调整正则表达式以获得来自的电子邮件地址。如果愿意，您可以将

\.[A-Z]{2,4}

更改为

\.kr

。

啊，谢谢您的提示。我已经让正则表达式过滤掉了所有非韩语字符的内容，因此应该删除电子邮件地址

//*[@class="article"]/p[not(contains(@class, "adrs")
       or text()[matches(normalize-space(.),
                   "^[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4}$", "i")])]//text()