python lxml xpath 在带有文本的列表中返回转义字符

Question

上周之前，我使用 Python 的经验非常局限于我们网络上的大型数据库文件，突然间我被插入了尝试从 html 表中提取信息的世界。

经过大量阅读，我选择在 Python 2.7 中使用 lxml 和 xpath 来检索有问题的数据。我使用以下代码检索了一个字段:

xpath = "//table[@id='resultsTbl1']/tr[position()>1]/td[@id='row_0_partNumber']/child::text()" 

产生了以下列表:

['\r\n\t\tBAR18FILM/BKN', '\r\n\t\t\r\n\t\t\t', '\r\n\t\t\t', '\r\n\t\t\t', '\r\n\t\t\t', '\r\n\t\t\t', '\r\n\t\t\t\r\n\t\t']

我认出了 CR/LF 和制表符转义字符，我想知道如何避免它们？

Answer 1

这些字符是 XML 文档的一部分，这就是返回它们的原因。你无法避免它们，但你可以将它们剥离。您可以对返回的每个项目调用 .strip() 方法:

results = [x.strip() for x in results]

这将去除前导和尾随空白。如果没有看到您的实际代码和数据，就很难给出一个好的答案。

例如，给定这个脚本:

#!/usr/bin/python

from lxml import etree

with open('data.xml') as fd:
    doc = etree.parse(fd)

results = doc.xpath(
    "//table[@id='results']/tr[position()>1]/td/child::text()")

print 'Before stripping'
print repr(results)

print 'After stripping'
results = [x.strip() for x in results]
print repr(results)

还有这个数据:

<doc>
  <table id="results">
    <tr>
      <th>ID</th><th>Name</th><th>Description</th>
    </tr>

    <tr>
      <td>
      1
      </td>
      <td>
      Bob
      </td>
      <td>
      A person
      </td>
      </tr>
    <tr>
      <td>
      2
      </td>
      <td>
      Alice
      </td>
      <td>
      Another person
      </td>
    </tr>
  </table>
</doc>

我们得到这些结果:

Before stripping
['\n\t\t\t1\n\t\t\t', '\n\t\t\tBob\n\t\t\t', '\n\t\t\tA person\n\t\t\t', '\n\t\t\t2\n\t\t\t', '\n\t\t\tAlice\n\t\t\t', '\n\t\t\tAnother person\n\t\t\t']
After stripping
['1', 'Bob', 'A person', '2', 'Alice', 'Another person']