因为想要映射的内容被分成了多个text,所以就按照选择父节点、高级设置只提取文本内容的方式进行爬取,但是爬下来的结果是想要的内容前面多了一大段英文乱码字母,我查看了一下父节点里的所有text发现有一个STYLE节点下有一个text的内容就是这一大段英文字母,求问大神们有没有方法不把这个style的text爬取下来,只选择父节点里的其他text爬取?谢谢!!!



举报 使用道具
| 回复

共 1 个关于本帖的回复 最后回复于 2017-3-3 15:56

沙发
xandy 论坛元老 发表于 2017-3-3 15:56:11 | 只看该作者
看你的截图,text()里头就是有那些英文,所以测试结果也会有。
如果中文开始位置有规律的话(比如是大段“AAAAA”字母后面就是中文文本部分了)你可以通过自定义xpath将中文部分提取出来,提取文本的xpath函数可以参看:
xpath使用substring-before()和substring-after()遇到的问题
举报 使用道具
您需要登录后才可以回帖 登录 | 立即注册

精彩推荐

  • Gephi社会网络分析-马蜂窝游记文本分词并同
  • Gephi社会网络分析-基于马蜂窝游记文本以词
  • 知乎话题文本根据词语间距筛选后生成共词矩
  • 马蜂窝游记文本分词后以词语间距为筛选条件
  • 学习使用apriori算法挖掘关联关系

热门用户

GMT+8, 2024-4-20 20:46