我一直在使用 XPath 和 scrapy 在线从 html 标签中提取文本，但是当我这样做时，我会附加额外的字符。一个示例是尝试从<td> 标签中提取一个数字，例如“204”并获取[u'204']。在某些情况下，情况要糟糕得多。例如，尝试提取“1 - Mathoverflow”而不是得到[u'\r\n\t\t 1 \u2013 MathOverflow\r\n\t\t ']。有没有办法防止这种情况发生，或者修剪字符串以使多余的字符不是字符串的一部分？ （使用项目来存储数据）。看起来它与格式有关，所以我如何让 xpath 不拾取那些东西？
【问题讨论】：
返回[u'204'] 的代码行是什么样的？看起来返回的是一个 Python 列表，其中包含一个带有您想要的值的 unicode 字符串。那里什么都没有——只是下标。至于回车、换行和制表符，就像伟业东刚刚回答的那样，strip会去掉。
大概
my_answer = item1['Title'][0].strip()
或者，如果您期待多场比赛
for ans_i in item1['Title']:
do_something_with( ans_i.strip() )
【讨论】：
1 - MathOverflow 中的破折号作为一个奇怪的字符串\u 2013 拾取，并且ascii 无法读取它。至于 [u'204']，我不知道为什么 xpath 将它放在数据周围。 xpath 语句为//div[@id="content"]/div[@id="directory-list"]/div[@class="wrapper"]/table/tr[@class="odd"][1]/td[1]/text()
[u'204'] 时，这不是以[ 字符开头的字符串。相反，它是 Python 告诉您它正在向您显示一个包含单个 unicode 字符串的列表对象的方式。该 unicode 字符串中的值是三个字符 2、0 和 4。这正是你想要的。我向您展示的代码应该为您解压。
\u2013 替换破折号。相反，它只是向您显示已返回的 Unicode 字符串包含代码点 2013 处的字符。希望您知道它不会让您感到惊讶，它是“EN DASH”的代码点。 Python 没有改变字符串，它准确地返回浏览器中的内容。如果你想删除非 ascii 字符，这个最近的帖子会有所帮助：stackoverflow.com/questions/2854230/…
标准的 XPath 函数 normalize-space() 正是想要的效果。
它会删除前导和尾随空白并仅用一个空格替换任何内部空白。
所以，你可以使用：
normalize-space(someExpression)
【讨论】：
normalize-space(//div[@id="content"]/div[@id="directory-list"]/div[@class="wrapper"]/table)
使用 strip() 删除前导和尾随空格。
>>> u'\r\n\t\t 1 \u2013 MathOverflow\r\n\t\t '.strip()
u'1 \u2013 MathOverflow'
【讨论】：
item1['Title']= item1['title'].strip()，吗？我是 python 新手。