如何使用Scrapy和XPath高效抓取div中可变数量的p标签并合并存储

阿枫吖_7031

发布时间：2025-12-08 17:54:55

532人浏览过

来源于php中文网

原创

如何使用Scrapy和XPath高效抓取div中可变数量的p标签并合并存储

本文详细介绍了如何利用scrapy框架和xpath表达式，从网页中准确提取特定`div`元素内数量不定的`

`标签内容，并将其合并为单个字符串进行存储。通过分析常见问题，提供了一种简洁高效的解决方案，确保所有段落内容都能被正确抓取并导出到csv文件，避免只存储最后一个段落的错误。

在进行网页抓取时，经常会遇到需要提取一个父级div元素内多个子级

标签内容的情况，且这些

标签的数量在不同页面上可能不固定。例如，某些页面可能只有一个段落，而另一些页面可能有十个甚至更多。本教程将指导您如何使用Python的Scrapy框架和XPath表达式，有效地解决这一挑战，并将所有提取的段落内容合并到一个变量中，以便于后续存储。

场景描述与HTML结构

假设我们面对的HTML结构如下所示，其中一个具有特定类名的div包含了一系列

标签，这些

标签可能包含文本、空白或换行符：

<div class="div_name">
    <h2 class="h5">title text</h2>
    <p> </p>
    <p>text text text...</p>
    <p>text text text...</p>
    <p> </p>
    <p><br>text text text...</p>
    <!-- 更多 <p> 标签 -->
    <p>text text text...</p>
    <p>text text text...</p>
</div>

我们的目标是从这个div中提取所有

标签的文本内容，并将它们拼接成一个单一的字符串。

初始尝试与存在的问题

许多初学者可能会尝试遍历所有p标签，然后将它们赋值给一个变量：

divs = response.xpath('/html/body/div[6]/div/section[2]/article/div/div/div')
for p in divs.xpath('.//p'):
    print(p.get()) # 这会打印所有 <p> 标签的HTML内容
    story = p # 问题所在：每次循环都会覆盖 story 变量

yield {
    'story': story
}

尽管print(p.get())能够正确地输出所有

标签的HTML内容，但当story = p这行代码在循环内部执行时，story变量会在每次迭代中被最新的p元素覆盖。因此，当循环结束后，story将只保留最后一个

标签的内容。当通过yield将其导出到CSV文件时，CSV中也只会记录最后一个段落。

高效解决方案：XPath与列表推导式结合

为了解决上述问题，我们需要一种方法来一次性选择所有目标

标签，并将其内容合并。Scrapy结合XPath和Python的列表推导式提供了一个简洁而强大的解决方案。

核心思想是：

使用XPath选择所有目标
标签。

htmlppt.skill
把任意文章或文档内容转换成精美的全屏翻页 HTML 演示文件（幻灯片风格）。当用户发来一篇文章、文档链接、Markdown 内容、或粘贴的文本，并且希望生成演示用的 HTML 时触发。支持任意内容来源：iWiki 链接、KM 链接、本地文件路径、直接粘贴的文本。生成的 HTML 文件保存到本地工作区，并通过企微直接发送给用户。触发词示例：帮我把这篇文章做成PPT、转成演示文档、生成HTML幻灯片、做个演示、转成可以演示的格式、article to deck、make a slide。

下载
使用列表推导式遍历这些选中的标签，提取它们的文本内容。
使用str.join()方法将所有提取的文本内容拼接成一个字符串。

以下是具体的实现代码：

import scrapy

class MySpider(scrapy.Spider):
    name = 'paragraph_scraper'
    start_urls = ['http://example.com/your_target_page'] # 替换为实际的目标URL

    def parse(self, response):
        # 假设目标div的XPath是 '/html/body/div[6]/div/section[2]/article/div/div/div'
        # 更健壮的方法是使用类名或其他属性定位，例如 '//div[@class="div_name"]'

        # 1. 使用XPath选择所有 <p> 标签
        # 注意：这里使用了原始问题中提供的长XPath路径。
        # 在实际应用中，建议使用更具鲁棒性的相对XPath或基于属性的XPath，
        # 例如 '//div[@class="div_name"]//p'
        p_elements = response.xpath('//div[6]/div/section[2]/article/div/div/div//p')

        # 2. 使用列表推导式提取每个 <p> 标签的文本内容并去除空白
        # x.get() 获取标签的HTML内容，.strip() 去除首尾空白字符
        # 如果只需要文本内容，可以使用 x.xpath('./text()').get()
        # 但考虑到 <p><br>text</p> 这样的结构，x.get() 配合 strip() 更通用

        # 进一步优化：如果需要纯文本，且不包含HTML标签，可以这样提取：
        # p_texts = [x.xpath('string(.)').get().strip() for x in p_elements if x.xpath('string(.)').get().strip()]
        # 这里为了保持与原始答案的接近，并处理 <p> </p> 等情况，使用 x.get()

        # 实际解决方案：获取每个 <p> 标签的HTML内容，去除空白
        p_contents = [x.get().strip() for x in p_elements]

        # 3. 将所有内容用空格连接成一个字符串
        story = ' '.join(p_contents)

        # 打印结果进行验证
        self.logger.info(f"Extracted story: {story[:200]}...") # 打印前200字符

        # 4. 封装为Scrapy Item并yield
        yield {
            'story': story
        }

代码解析：

response.xpath('//div[6]/div/section[2]/article/div/div/div//p'): 这个XPath表达式直接定位到目标div内部的所有
标签。//p表示在当前路径下的任何深度查找所有

标签。
[x.get().strip() for x in p_elements]: 这是一个Python的列表推导式。
- for x in p_elements: 遍历之前XPath选择到的每一个
  标签对象。
- x.get(): 对于每个
  标签对象x，get()方法会返回其完整的HTML内容（包括标签本身）。如果只需要纯文本，可以尝试x.xpath('./text()').get()，但需要注意处理可能存在的子标签或混合内容。考虑到原始HTML中
  
  text
  的情况，get()更易于处理。
- .strip(): 对获取到的字符串内容进行处理，去除字符串开头和结尾的空白字符（包括空格、制表符、换行符等）。这对于清理
  
  这类只包含空白内容的标签非常有用，可以将其处理为空字符串。
' '.join(...): Python的join()方法用于将一个可迭代对象（这里是列表推导式生成的字符串列表）中的所有字符串元素连接起来，并使用指定的字符串（这里是单个空格' '）作为分隔符。最终，所有段落内容被合并成一个单一的字符串。

处理空标签与内容清理

在HTML中，经常会遇到

或

text

这类标签。

x.get().strip()会处理掉

中的在HTML解析后的空白，使其变为一个空字符串。
对于

text
，x.get()会得到"

text
"，strip()后仍为"

text
". 如果需要提取纯文本，忽略HTML标签，可以考虑使用x.xpath('string(.)').get().strip()。string(.)XPath函数会提取当前节点及其所有子节点的文本内容，并将其连接成一个字符串，有效去除HTML标签。

改进的文本提取方式（纯文本）：

# ...
p_elements = response.xpath('//div[6]/div/section[2]/article/div/div/div//p')

# 提取纯文本内容，并过滤掉完全为空的段落
p_texts = []
for p_tag in p_elements:
    text_content = p_tag.xpath('string(.)').get().strip()
    if text_content: # 仅添加非空字符串
        p_texts.append(text_content)

story = ' '.join(p_texts)
# ...

这种方式能够更精确地获取用户可见的纯文本内容，并避免将完全空白的段落（如或只含br）也作为有效内容加入。

Scrapy导出到CSV的配置

为了将抓取到的数据（包括合并后的story字段）导出到CSV文件，您需要在Scrapy项目的settings.py文件中进行相应的配置：

# settings.py

# 爬虫深度限制 (0 表示无限深度)
DEPTH_LIMIT = 0

# Feed Export Settings (数据导出设置)
FEED_FORMAT = "csv" # 导出格式为CSV
FEED_URI = "output_%(name)s.csv" # 导出文件名，%(name)s 会被替换为爬虫的名称

通过以上配置，当您的爬虫运行并yield出包含story字段的字典时，Scrapy会自动将这些数据写入到指定的CSV文件中。

总结

通过本教程，您学会了如何利用Scrapy和XPath高效地从HTML中提取数量不定的

标签内容，并将其合并成一个单一的字符串。关键在于使用XPath一次性选择所有目标元素，并通过Python的列表推导式和str.join()方法进行内容提取和拼接。这种方法不仅解决了只存储最后一个段落的问题，还提高了代码的简洁性和效率，使得动态内容的抓取和存储变得更加可靠。在实际应用中，请务必根据目标网页的实际HTML结构，选择最健壮的XPath表达式。

如何手动从路径列表创建命名空间包导入

Triton 矩阵乘法精度异常：TF32 默认精度导致结果失真问题解析

Triton 矩阵乘法精度异常：TF32 默认精度导致结果失真

Triton 矩阵乘法精度问题：TF32 默认精度导致结果异常

如何在多重装饰器场景下安全地为方法打标签并避免元数据丢失