在获取标签下文本内容的处理上xpath与bs4还是有比较大的区别的,下面先看一个简单的比较:
先上网页源码:
<html lang="en">
<head>
<meta charset="UTF-8" />
<title>测试bs4</title>
</head>
<body>
<div>
<p>百里守约</p>
</div>
<div class="song">
<p>李清照</p>
<p>王安石</p>
<p>苏轼</p>
<p>柳宗元</p>
<a href="http://www.song.com/" title="赵匡胤" target="_self">
<span>this is span</span>
宋朝是最强大的王朝,
不是军队的强大,而是经济很强大,
国民都很有钱</a>
<a href="" class="du">总为浮云能蔽日,长安不见使人愁</a>
<img src="http://www.baidu.com/meinv.jpg" alt="" />
</div>
<div class="tang">
<ul>
<li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li>
<li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li>
<li><a href="http://www.126.com" alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li>
<li><a href="http://www.sina.com" class="du">杜甫</a></li>
<li><a href="http://www.dudu.com" class="du">杜牧</a></li>
<li><b>杜小月</b></li>
<li><i>度蜜月</i></li>
<li><a href="http://www.haha.com" id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li>
</ul>
</div>
</body>
</html>
xpath解析:
import os
import requests
from lxml import etree
tree = etree.parse('./poet.html')
content = tree.xpath('//div[@class="song"]//text()')
print(content)
输出结果:
['\n\t\t', '李清照', '\n\t\t', '王安石', '\n\t\t', '苏轼', '\n\t\t', '柳宗元', '\n\t\t', '\n\t\t\t', 'this is span', '\n\t\t宋朝是最强大的王朝,不是军队的强大,而是经济很强大,国民都很有钱', '\n\t\t', '总为浮云能蔽日,长安不见使人愁', '\n\t\t', '\n\t']
可以看到,xpath将所有的换行符,空格都原样输出了,当我们想获取文本时,这显然不是我们的预期。
我们再看看bs4:
from bs4 import BeautifulSoup
fp = open('./poet.html','r', encoding='utf-8')
soup = BeautifulSoup(fp,'lxml')
t = soup.find('div', class_='song')
print(t.text)
fp.close()
输出结果:
李清照
王安石
苏轼
柳宗元
this is span
宋朝是最强大的王朝,不是军队的强大,而是经济很强大,国民都很有钱
总为浮云能蔽日,长安不见使人愁
可以看到,虽然有空格,但是并不是空格的源格式,而是经过处理后的空格。
在xpath中要怎么处理这些换行,空格呢?
经过网络搜索,发现有个string方法,但这个方法用起来比较费劲,下面来看看:
tree = etree.parse('./poet.html')
content = tree.xpath('//div[@class="song"]')
for c in content:
c = c.xpath('string(.)').strip()
print(c)
输出结果:只有文字了。但是这个
李清照
王安石
苏轼
柳宗元
this is span
宋朝是最强大的王朝,不是军队的强大,而是经济很强大,国民都很有钱
总为浮云能蔽日,长安不见使人愁