原始标准是图片第一行,后面有一些“标签”、“教育信息”为空的字段,就自动被后面有内容的自动顶替到前面来了。
采集样本为新浪微博

本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
举报 使用道具
| 回复

共 2 个关于本帖的回复 最后回复于 2015-11-6 12:07

沙发
lynn000000 初级会员 发表于 2015-11-6 11:53:50 | 只看该作者
而且,我想问一下, 有没有好的办法将文本中的空格去除啊 ? 就是保存的文本里不要那么多空格啊空行之类的 ,最好除了文字就是标点符号
举报 使用道具
板凳
Fuller 管理员 发表于 2015-11-6 12:07:39 | 只看该作者
lynn000000 发表于 2015-11-6 11:53
而且,我想问一下, 有没有好的办法将文本中的空格去除啊 ? 就是保存的文本里不要那么多空格啊空行之类的  ...

列之间会串的问题的解决方法是写自定义xpath,解决这个问题的xpath很容易写,把自动生成的xpath拿出来,稍微修改一下,就是规定死抓哪一列。因为自动生成的规则很可能不规定哪一列。这个案例中,可能每一列都有相同的@class值,结果就串了。

要滤除空格,倒是个好建议,下一个版本我们可以滤除。当前版本不滤除,为了保持原样,因为不知道用户想怎样用数据。下个版本可以加个选项,自己想滤除就滤除
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

  • 运行Apple无法验证的程序的方法
  • 文本聚类分析软件的安装和使用方法
  • 利用AI阅读和分析文本:扣子COZE记录用户反
  • 在网页片段内直观标注——以B站评论采集为
  • 利用AI阅读和分析文本:使用COZE建设游记文

热门用户

GMT+8, 2024-12-24 10:56