Primero, no he podido replicar tu resultado con las expresiones XPath y el HTML que proporcionas.
//div/dl/div[@class="item-conditions"]
devuelve lista vacía, porque el elemento div
en cuestión tiene class="item-conditions xh-highlight"
, que no es igual a "item-conditions"
, tendrías que haber usado contains()
(luego lo arreglo).
//*[@id="short-desc"]/div/dl/div
devuelve lista vacía porque no hay en el HTML de ejemplo que has pegado ningún elemento con ese id
.
//div[1]/dl/div[1][@class="item-conditions"]/text()
devuelve lista vacía por la misma razón que el primero.
Si arreglo el primero:
from lxml import html
tree = html.fromstring(ejemplo)
e1 = '//div/dl/div[contains(@class, "item-conditions")]'
numero_ventas = tree.xpath(e1)
print(numero_ventas)
Obtengo:
[<Element div at 0x7f16c2641bd8>]
Es decir, una lista con un elemento, pero no con el texto de ese elemento. Podría acceder al texto con:
numero_ventas[0].text
Y eso retorna la cadena '\n\n Nuevo\n\n\n\n \xa0-\xa0\n\n 126\n vendidos\n\n '
, que es correcta pues el HTML que has puesto de ejemplo efectivamente contiene muchos espacios en blanco y retornos de carro dentro del div
en cuestión.
El mismo texto podríamos haber extraido con la tercera opción, una vez arreglada:
e3 = '//div[1]/dl/div[1][contains(@class, "item-conditions")]/text()'
numero_ventas = tree.xpath(e3)
print(numero_ventas)
Produce una lista con un solo elemento que es el texto en cuestión:
['\n\n Nuevo\n\n\n\n \xa0-\xa0\n\n 126\n vendidos\n\n ']
En mi caso salen espacios donde a tí te salían tabs, pero básicamente es lo mismo (supongo que los tabs se han convertido en espacios al copiar&pegar el ejemplo).
Ambos son resultados esperables, pero no coinciden con el que tú muestras, en el que el texto "Nuevo" ha desaparecido.
En todo caso, entiendo que quieres eliminar todos esos espacios y retornos de carro intermedios. Esto ya no es trabajo de Xpath, sino de un procesamiento de cadenas con python. Por ejemplo, puedes hacer un .split()
, que te romperá el texto por todos los caracteres "blancos" (espacios, tabuladores, retornos de carro) o secuencias de blancos, dejándote una lista con tan solo las palabras, para después hacer un " ".join()
de esa lista que vuelva a intercalar un espacio entre palabras.
Por ejemplo así, tras el resultado del caso 3:
limpio = " ".join(numero_ventas[0].split())
La cadena resultante en limpio
es:
'Nuevo - 126 vendidos'