使用Scrapy在Python中提取文本字段的一部分

Question

我用Scrapy做了一个网页抓取工具。现在我想提取一些内容：

Friday March 14, 2014

当我用这个方法抓取这个div里的内容时（里面没有段落标签或者其他我能更具体定位的东西）：

item['published'] = hxs.select('//div[@class="date"]/text()').extract()

结果是这样的：

\n    \n        Last Updated: Friday, March 14, 2014 \n        ", "\n            ", "\n            \n            ", "\n            ", "\n", "            \n    

那么在这个例子中，我该怎么去掉“Friday”之前和“2014”之后的所有内容呢？我花了好几个小时在尝试一些正则表达式，但就是找不到一个合适的例子来处理字母而不是数字，或者更糟的是，有些内容并没有固定的空格和范围，因为有时候它写的是“Last Updated:”而有时候是“Updated:”，这让我感觉很困惑。

Answer 1

你可以用正则表达式从字符串中提取日期，举个例子：

>>> import re
>>> s = '\n    \n        Last Updated: Friday, March 14, 2014 \n        ", "\n '
>>> re.search('Updated: ([\w, ]+)', s).group(1).strip()
'Friday, March 14, 2014'

这里的 ([\w, ]+) 是一个捕获组，它可以匹配一个或多个字母、数字（还有 _）、逗号或者空格。

希望这能帮到你。