3

Tengo un HTML de la forma:

<td><span>$3,480.00</span></td>
<td><span>Ingreso</span></td>
<td><span>Vigente</span></td>

que recorro con XPath:

doc.xpath('//td/span/text()')

Pero a veces hay celdas vacías, las cuales no tienen nodo text(), del tipo:

<td><span></span></td>

entonces cuando uso:

dict(zip(cabeceras, datos))

quedan todos los datos revueltos.

Actualmente estoy usando replace para evitar que el XPath se salte los nodos vacíos, llenándolos con '_'.

cadena=lxml.html.tostring(data[row])
cadena=cadena.replace("></span>", ">_</span>")
doc = lxml.html.fromstring(cadena)
datos=doc.xpath('//td/span/text()')

¿Hay alguna manera más elegante de resolver esto?

1
  • 1
    la idea es que me deje en blanco, necesito ["a","","b"], y actualmente me da ["a","b"], para que al usar dict(zip()) me de {"key1":"a", "key2":"", "key3":"b"} el 7 jun. 2017 a las 1:02

1 respuesta 1

2

Se puede utilizar la función de XPath string( [object] ).

string()

Convierte el argumento dado en una cadena de texto.


lxml (Python):

Como comentó @JorgeArturoJuarez, la librería lxml solo permite usar la función string() sobre un elemento. Siguiendo su código, seleccionamos primero todos los nodos, y luego volvemos a usar otro predicado para llevar a string.

datos=[x.xpath('string()') for x in doc.xpath('//td/span')]

Código:

from lxml import html

cadena = '''
            <body>
                <td><span>$3,480.00</span></td>
                <td><span>Ingreso</span></td>
                <td><span>Vigente</span></td>
                <td><span></span></td>
                <td><span>Otro</span></td>
            </body>
         '''
doc   = html.fromstring(cadena)


datos = [x.xpath('string()') for x in doc.xpath('//td/span')]

print(datos)

Salida:

['$3,480.00', 'Ingreso', 'Vigente', '', 'Otro']

Demo en ideone



XPath (en general1):

//td/span/string(text())

Aternativas que quizás también te interesen:

  • //td/span/string()
    Convierte a string todo el nodo del contexto, por lo que si el <span> tiene hijos, también convertirá a string todos los nodos de texto de los hijos.

  • //td/span/normalize-space()
    normalize-space() elimina el espacio antes y después del texto (~trim), o múltiples espacios en blanco los convierte en un espacio. En este caso también te devolverá un string vacío.


1: Para otras librerías que lo acepten o si lxml lo llega a incorporar.

2
  • 1
    Aunque esta es la respuesta correcta, pues funciona al correrla en varios parsers xpath que encontré; en mi caso en particular no funciono, la librería lxml no acepta esta expresión. pero aunque menos elegante esta es la solución que utilice: datos=[x.xpath('string()') for x in doc.xpath('//td/span')] el 7 jun. 2017 a las 19:53
  • @JorgeArturoJuarez ni siquiera había prestado atención al código (y no tengo mucha experiencia con lxml). Agregué tu código a la respuesta para futuros lectores.
    – Mariano
    el 8 jun. 2017 a las 19:49

Tu Respuesta

Al pulsar en “Publica tu respuesta”, muestras tu consentimiento a nuestros términos de servicio, política de privacidad y política de cookies

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.