python - 爬取: Unable to parse data into a human readable value

Question

我正在使用 scrapy 抓取网站。一切都工作得很好，直到我遇到了这个关于几个值的特殊问题。

这是我获取值的方法

hxs.select("//table[@class='bodypad']//table/tr[1]/td//tr[10]//td[2]/text()").extract()[0].strip()

以下是输出

u'Rs.\xa05,000\n\r\n\t\t\t\t\t / -'

我还可以看到 strip() 方法也不适用于该值。以下是我的代码部分，该代码运行良好

hxs.select("//table[@class='bodypad']//table/tr[1]/td//tr[10]//td[2]/text()").extract()[2]

输出:

u'Rs. 1,000'

当我使用 .encode('ascii') 时，我得到了我所需要的:

'Rs. 1,000'

您能否建议我如何获得第一个值，在网站上它看起来像卢比。 5,000/- 。我想要得到类似的东西，而且 .encode('ascii') 不适用于第一个值。

编辑 - 示例 HTML 输入

<table width="100%" cellpadding="0" cellspacing="1" bgcolor="#CCCCCC">
           <tbody><tr class="table_bdrow1_style">
             <td width="40%" class="table_header_style"><b>Minimum Initial Investment</b></td>
             <td class="table_bdtext_style">
                Rs.&nbsp;5,000

                 / -
            </td>
          </tr>
          <tr class="table_bdrow1_style">
             <td width="40%" class="table_header_style"><b>Minimum Subsequent Investment</b></td>
             <td class="table_bdtext_style">
                 Rs.&nbsp;1,000

                     / -

                    </td>
          </tr>                 

          <!-- 
          <tr class="table_bdrow1_style">
            <td width="40%" class=table_header_style><b>Minimum RSP Investment</b></td>
         -->    
            <!--<td class=table_bdtext_style width="55%">-</td>-->
            <!-- 
            <td class=table_bdtext_style>-</td>
          </tr>
          -->
        <tr class="table_bdrow1_style">

            <td width="40%" class="table_header_style"><b>Minimum Redemption Amount</b></td>
            <td class="table_bdtext_style">Rs. 1,000</td>           
        </tr>
        <!-- 
        <tr class="table_bdrow1_style">
            <td width="40%" class=table_header_style valign="top"><b>Minimum Holding</b></td>
            <td class=table_bdtext_style>-
            </td>
        </tr>
        <tr class="table_bdrow1_style">
            <td width="40%" class=table_header_style><b>Cooling-off Period</b></td>
            <td class=table_bdtext_style>-</td>
        </tr>
        -->
        <tr class="table_bdrow1_style">
            <td width="40%" class="table_header_style"><b>Minimum Holding Period</b></td>
            <td class="table_bdtext_style">-</td>
        </tr>
        <tr class="table_bdrow1_style">
            <td width="40%" class="table_header_style"><b>Transaction Time for Redemption</b></td>

            <td class="table_bdtext_style">1:50 PM</td>
        </tr>
        <tr class="table_bdrow1_style">
            <td width="40%" class="table_header_style"><b>Entry Load</b></td>
            <td class="table_bdtext_style">-</td>
        </tr>
        <tr class="table_bdrow1_style">
            <td width="40%" class="table_header_style"><b>Exit Load</b></td>
            <td class="table_bdtext_style">0.25% if the investments is redeemed / switched out within 1 month form the date of allotment
            </td>
        </tr>
      </tbody></table>`

Answer 1

\xa0 是 Non-breaking space它在网页中显示为一个简单的空间。代码是否为 A0，超出 ASCII 范围 (0-127):

Python 2.7.6 (default, Mar 22 2014, 22:59:56) 
>>> u'Rs.\xa05,000\n\r\n\t\t\t\t\t / -'.encode()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode character u'\xa0' in position 3: ordinal not in range(128)

因此，在将其编码为 ASCII 之前，您必须手动将其替换为简单的空格。

默认str.strip仅去除空格，因此您应该手动去除字符 /-。

这应该有效:

>>> u'Rs.\xa05,000\n\r\n\t\t\t\t\t / -'.replace(u'\xa0', u' ').encode().rstrip('-/ ').strip()
'Rs. 5,000'
>>>