如何从无class属性的span标签提取结构化房源数据？

完全可以在抓取阶段就完成拆分，不用等到后续处理，直接输出结构化的rooms、bathrooms、sqm2字段，效率更高。

修改后的代码实现 #

import re

def parse(self, response):
    # 正则匹配数字，兼容content属性或纯文本里的数值
    num_pattern = re.compile(r'\d+')
    for product in response.css('div.listing.listing-card'):
        # 初始化结构化字段，缺失时返回None
        rooms = None
        bathrooms = None
        sqm2 = None
        
        # 遍历每个span标签，按关键词匹配对应字段
        for span in product.css('span'):
            span_text = span.css('::text').get(default='').strip()
            span_content = span.attrib.get('content', '')
            
            # 匹配房间数（habitaciones）
            if 'habitaciones' in span_text:
                rooms = span_content if span_content else (num_pattern.search(span_text).group() if num_pattern.search(span_text) else None)
            # 匹配浴室数（baños）
            elif 'baños' in span_text:
                bathrooms = span_content if span_content else (num_pattern.search(span_text).group() if num_pattern.search(span_text) else None)
            # 匹配面积（m²）
            elif 'm²' in span_text:
                sqm2 = span_content if span_content else (num_pattern.search(span_text).group() if num_pattern.search(span_text) else None)
        
        yield {
            'name': product.css('div.listing-card__title::text').get(default='').strip(),
            'location': product.css('div.listing-card__location::text').get(default='').strip(),
            'link': product.attrib.get('data-href', ''),
            'rooms': rooms,
            'bathrooms': bathrooms,
            'sqm2': sqm2
        }

核心逻辑说明 #

• 兼容两种span格式：优先读取content属性的数值（更准确），没有的话用正则从文本中提取数字
• 关键词匹配：通过habitaciones、baños、m²这些关键词定位对应的字段
• 缺失值处理：用get(default='')和条件判断确保缺失信息的字段返回None，不会报错
• 结构化输出：直接生成带有明确字段的字典，后续无需额外清洗

内容的提问来源于stack exchange，提问作者Jonathan Montaluisa