Scrapy如何提取维基百科表格首列的完整合并文本？

解决方法 #

核心思路是先按单元格分组提取，再对单个单元格内的文本片段做拼接，避免跨单元格的文本被打散。

实现代码如下：

result = []
for table in response.css('.wikitable'):
    # 遍历当前表格所有第一列的单元格节点
    for cell in table.css('td:nth-child(1)'):
        # 提取单个单元格内所有文本片段，拼接为完整字符串后去除首尾空白
        full_text = ''.join(cell.css('::text').getall()).strip()
        result.append(full_text)

运行后得到的result就是你期望的输出格式。

如果需要处理单元格内的换行、连续空格等格式问题，可以用以下代码做空格归一化处理：

full_text = ' '.join(''.join(cell.css('::text').getall()).split())

这个写法会自动将所有连续的空白字符（换行、空格、制表符等）合并为单个空格，同时去除首尾空白。

内容的提问来源于stack exchange，提问作者Michael Hsieh