如何从Scrapy选择器中提取原始HTML？
问题内容：
我正在使用response.xpath（’//
*’）re_first（）提取js数据，然后将其转换为python本机数据。问题是提取/重新方法似乎没有提供不取消引用html的方法，即
原始HTML：
{my_fields:['O'Connor Park'], }
提取输出：
{my_fields:['O'Connor Park'], }
将此输出转换为json将不起作用。
最简单的方法是什么？
问题答案：
简短答案：
- Scrapy / Parsel选择
.re()和.re_first()方法取代HTML实体（除<，&） - 而是使用
.extract()或.extract_first()获取原始HTML（或原始JavaScript指令），re并对提取的字符串使用Python的模块
长答案：
让我们看一下示例输入以及从HTML提取Javascript数据的各种方法。
HTML示例：
<html lang="en">
<body>
<div>
<script type="text/javascript">
var i = {a:['O'Connor Park']}
</script>
</div>
</body>
</html>
使用scrapy
Selector（使用下面的parsel库），您可以通过多种方式提取Javascript代码段：
>>> import scrapy
>>> t = """<html lang="en">
... <body>
... <div>
... <script type="text/javascript">
... var i = {a:['O'Connor Park']}
... </script>
...
... </div>
... </body>
... </html>
... """
>>> selector = scrapy.Selector(text=t, type="html")
>>>
>>> # extracting the <script> element as raw HTML
>>> selector.xpath('//div/script').extract_first()
u'<script type="text/javascript">\n var i = {a:[\'O'Connor Park\']}\n </script>'
>>>
>>> # only getting the text node inside the <script> element
>>> selector.xpath('//div/script/text()').extract_first()
u"\n var i = {a:['O'Connor Park']}\n "
>>>
现在，使用.re（或.re_first）您将获得不同的结果：
>>> # I'm using a very simple "catch-all" regex
>>> # you are probably using a regex to extract
>>> # that specific "O'Connor Park" string
>>> selector.xpath('//div/script/text()').re_first('.+')
u" var i = {a:['O'Connor Park']}"
>>>
>>> # .re() on the element itself, one needs to handle newlines
>>> selector.xpath('//div/script').re_first('.+')
u'<script type="text/javascript">' # only first line extracted
>>> import re
>>> selector.xpath('//div/script').re_first(re.compile('.+', re.DOTALL))
u'<script type="text/javascript">\n var i = {a:[\'O\'Connor Park\']}\n </script>'
>>>
HTML实体'已被撇号代替。这是由于实现中的w3lib.html.replace_entities()调用.re/re_first（请参见函数中的parsel源代码extract_regex），仅在调用extract()或extract_first()
