2

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"} Commented el 7 jun. 2017 a las 1:02

1 respuesta 1

1

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')] Commented 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
    Commented el 8 jun. 2017 a las 19:49

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

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