使用 xpath 提取锚标记内的文本

Question

我正在尝试确定网站上的任何搜索结果有多少页面，以便我可以使用 lxml 和 xpath 为所有页面抓取数据。

有一个分页标签，结构如下： 页数：1 2 3 ... 7 下一页

html 内容类似

<ul class="ulclass">
 <li></li>
 <li>
      <span> You are on the first page</span>
      "1"
 </li>
 <li>
      <a href="link to second page">
        <span></span>
      "2"
      </a>
 </li>
  <li>
 </li>
      ...
  <li>
      <a href="link to last page">
        <span></span>
      "7"
      </a>
 </li>

我的方法是提取页码 1、2、3、7，这样我就可以为每个页面重复网络抓取 7 次，否则它只会抓取页面的第一个结果。 我编写了以下 xpath，但它没有返回正确的页码。

xpath('//ul[@class="ulclass"]/li/a/text())

Answer 1

如果我扩展你的例子来形成这个，

<ul class="ulclass">
<li><span>You are on the first page</span>"1"</li>
<li><a href="link to second page"><span></span>"2"</a></li>
<li><a href="link to third page"><span></span>"3"</a></li>
<li><a href="link to fourth page"><span></span>"4"</a></li>
<li><a href="link to fifth page"><span></span>"5"</a></li>
<li><a href="link to sixth page"><span></span>"6"</a></li>
<li><a href="link to last page"><span></span>"7"</a></li>
</ul>

然后在 Python 中使用 scrapy 我可以得到这个：

>>> from scrapy.selector import Selector
>>> selector = Selector(text=open('temp.htm').read())
>>> selector.xpath('..//ul[@class="ulclass"]/li/a/text()').extract()
['"2"', '"3"', '"4"', '"5"', '"6"', '"7"']