web-dev-qa-db-ja.com

Scrapyが生のHTMLデータからプレーンテキストを取得することは可能ですか?

例えば:

scrapy Shell http://scrapy.org/
content = hxs.select('//*[@id="content"]').extract()[0]
print content

次に、次の生のHTMLコードを取得します。

<div id="content">


  <h2>Welcome to Scrapy</h2>

  <h3>What is Scrapy?</h3>

  <p>Scrapy is a fast high-level screen scraping and web crawling
    framework, used to crawl websites and extract structured data from their
    pages. It can be used for a wide range of purposes, from data mining to
    monitoring and automated testing.</p>

  <h3>Features</h3>

  <dl>

    <dt>Simple</dt>
    <dt>
    </dt>
    <dd>Scrapy was designed with simplicity in mind, by providing the features
      you need without getting in your way
    </dd>

    <dt>Productive</dt>
    <dd>Just write the rules to extract the data from web pages and let Scrapy
      crawl the entire web site for you
    </dd>

    <dt>Fast</dt>
    <dd>Scrapy is used in production crawlers to completely scrape more than
      500 retailer sites daily, all in one server
    </dd>

    <dt>Extensible</dt>
    <dd>Scrapy was designed with extensibility in mind and so it provides
      several mechanisms to plug new code without having to touch the framework
      core

    </dd>
    <dt>Portable, open-source, 100% Python</dt>
    <dd>Scrapy is completely written in Python and runs on Linux, Windows, Mac and BSD</dd>

    <dt>Batteries included</dt>
    <dd>Scrapy comes with lots of functionality built in. Check <a
        href="http://doc.scrapy.org/en/latest/intro/overview.html#what-else">this
      section</a> of the documentation for a list of them.
    </dd>

    <dt>Well-documented &amp; well-tested</dt>
    <dd>Scrapy is <a href="/doc/">extensively documented</a> and has an comprehensive test suite
      with <a href="http://static.scrapy.org/coverage-report/">very good code
        coverage</a></dd>

    <dt><a href="/community">Healthy community</a></dt>
    <dd>
      1,500 watchers, 350 forks on Github (<a href="https://github.com/scrapy/scrapy">link</a>)<br>
      700 followers on Twitter (<a href="http://Twitter.com/ScrapyProject">link</a>)<br>
      850 questions on StackOverflow (<a href="http://stackoverflow.com/tags/scrapy/info">link</a>)<br>
      200 messages per month on mailing list (<a
        href="https://groups.google.com/forum/?fromgroups#!aboutgroup/scrapy-users">link</a>)<br>
      40-50 users always connected to IRC channel (<a href="http://webchat.freenode.net/?channels=scrapy">link</a>)
    </dd>

    <dt><a href="/support">Commercial support</a></dt>
    <dd>A few companies provide Scrapy consulting and support</dd>

    <p>Still not sure if Scrapy is what you're looking for?. Check out <a
        href="http://doc.scrapy.org/en/latest/intro/overview.html">Scrapy at a
      glance</a>.

    </p>
    <h3>Companies using Scrapy</h3>

    <p>Scrapy is being used in large production environments, to crawl
      thousands of sites daily. Here is a list of <a href="/companies/">Companies
        using Scrapy</a>.</p>

    <h3>Where to start?</h3>

    <p>Start by reading <a href="http://doc.scrapy.org/en/latest/intro/overview.html">Scrapy at a glance</a>,
      then <a href="/download/">download Scrapy</a> and follow the <a
          href="http://doc.scrapy.org/en/latest/intro/tutorial.html">Tutorial</a>.


    </p></dl>
</div>

しかし、私はプレーンテキストをscrapyから直接取得したいと思います。

メインコンテンツがptableに埋め込まれているWebサイトをクロールしているため、xPathセレクターを使用してtbodyh2h3...タグを抽出したくありません。再帰的に。 xPathを見つけるのは退屈な作業です。

これはScrapyの組み込み関数で実装できますか?またはそれを変換するために外部ツールが必要ですか?私はScrapyのすべてのドキュメントを読みましたが、何も得ていません。

これは、生のHTMLをプレーンテキストに変換できるサンプルサイトです: http://beaker.mailchimp.com/html-to-text

15
inix

Scrapyにはそのような機能は組み込まれていません。 html2text はあなたが探しているものです。

これは、スクレイプするサンプルスパイダーです wikipediaのpython page 、xpathを使用して最初の段落を取得し、html2textを使用してhtmlをプレーンテキストに変換します。

from scrapy.selector import HtmlXPathSelector
from scrapy.spider import BaseSpider
import html2text


class WikiSpider(BaseSpider):
    name = "wiki_spider"
    allowed_domains = ["www.wikipedia.org"]
    start_urls = ["http://en.wikipedia.org/wiki/Python_(programming_language)"]

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        sample = hxs.select("//div[@id='mw-content-text']/p[1]").extract()[0]

        converter = html2text.HTML2Text()
        converter.ignore_links = True
        print(converter.handle(sample)) #Python 3 print syntax

プリント:

** Python **は、広く使用されている汎用の高級プログラミング言語です。[11] [12] [13]その設計哲学はコードの可読性を強調しており、その構文により、プログラマーはCなどの言語で可能な場合よりも少ないコード行で概念を表現できます。[14] [15]この言語は、小規模および大規模の両方で明確なプログラムを可能にすることを目的とした構成を提供します。[16]

22
alecxe

_lxml.html_のtostring()をパラメーター_method="text"_とともに使用する別のソリューション。 lxmlはScrapyで内部的に使用されます。 (通常、パラメーター_encoding=unicode_が必要です。)

詳細については、 http://lxml.de/api/lxml.html-module.html を参照してください。

_from scrapy.spider import BaseSpider
import lxml.etree
import lxml.html

class WikiSpider(BaseSpider):
    name = "wiki_spider"
    allowed_domains = ["www.wikipedia.org"]
    start_urls = ["http://en.wikipedia.org/wiki/Python_(programming_language)"]

    def parse(self, response):
        root = lxml.html.fromstring(response.body)

        # optionally remove tags that are not usually rendered in browsers
        # javascript, HTML/HEAD, comments, add the tag names you dont want at the end
        lxml.etree.strip_elements(root, lxml.etree.Comment, "script", "head")

        # complete text
        print lxml.html.tostring(root, method="text", encoding=unicode)

        # or same as in alecxe's example spider,
        # pinpoint a part of the document using XPath
        #for p in root.xpath("//div[@id='mw-content-text']/p[1]"):
        #   print lxml.html.tostring(p, method="text")
_
14
paul trmbrth

現時点では、サードパーティのライブラリをインストールする必要はないと思います。 Scrapy 提供 セレクターを使用したこの機能:
この複雑なセレクターを想定します。

sel = Selector(text='<a href="#">Click here to go to the <strong>Next Page</strong></a>')

以下を使用してテキスト全体を取得できます。

text_content = sel.xpath("//a[1]//text()").extract()
# which results [u'Click here to go to the ', u'Next Page']

その後、それらを簡単に結合できます。

   ' '.join(text_content)
   # Click here to go to the Next Page
3
Reyraa