Python :提取特定的单词格式结果

Question

我试图弄清楚如何只提取列表中文本的一部分。

下面是我目前正在使用的脚本：

import scrapy.selector 
import urlparse
from scrapy.spiders import Spider
from scrapy.http import Request
from MediaMarkt.items import MediamarktItem


def complete_url(string):
    return "http://www.mediamarkt.be" + string


def encode(str):
    return str.encode('utf8', 'ignore') 


class MshbeSpider(Spider):
    name = "mshbetv"
    start_urls = ['http://www.mediamarkt.be/mcs/productlist/_TV,98952,452540.html?langId=-17']

    def parse(self, response):
        items = response.xpath('//*[@id="filters"]/form/fieldset[2]/div[2]/ul[2]/li/a/@href')
        for item in items:
            link = item.extract()
            yield Request(link, callback=self.parse_category)

    def parse_category(self, response): 
        items = response.xpath('//ul[@class="products-list"]/li/div')
        for item in items:
            mshtv = MediamarktItem()
            mshtv['item_3_price'] = encode(item.xpath('normalize-space(.//aside/div/div/div/text())').extract()[0]).replace("-","")
            mshtv['item_2_name'] = encode(item.xpath('normalize-space(.//div/h2/a/text())').extract()[0])
            mshtv['item_a_link'] = complete_url(item.select('.//div/h2/a/@href').extract()[0])
            mshtv['item_4_avai'] = encode(item.xpath('normalize-space(.//aside/div/div/ul/span/text())').extract()[0])
            mshtv['item_1_cat'] = encode(item.xpath('normalize-space(//*[@id="category"]/hgroup/h1/text())').extract()[0])
            yield mshtv


        new_link = response.xpath('//li[@class="pagination-next"]/a/@href').extract()[0]
        yield Request(complete_url(new_link),callback=self.parse_category)

“mshtv‘’item_2_name‘”字段是我只想提取特定文本的地方。试试看我能找到但没有成功的一切。

例如，在我的当前脚本中，“mshtv‘’item_2_name”的结果是

• 三星UE55J6200AWXXN 55英寸液晶全LED智能电视索尼
• KDL55W755CBAEP 55“液晶边缘LED智能
• 电视索尼4K 55-X9405CBAEP 55“4K

我有一份正确的制造商型号清单。如本例所示，它们是

• UE55J6200AWXXN
• KDL55W755CBAEP
• KD55X9405CBAEP

我想要实现的是，在运行我的脚本时，我只获得制造商的型号作为返回。

这有可能吗？

Answer 1

将正确的模型号列表放入dict中，然后将包含模型号的字符串拆分为空格上的单词，并在dict中查找。

d = {}
for model in models:
    d[model] = True
for word in mshtv['item_2_name'].split(" "):
    if word in d:
        print word

Answer 2

在我尝试了“嗯”提出的解决方案之后，我已经尝试过了。它起作用了，但现在有些地方出了问题。我只得到13个结果，而在我得到200多个结果之前。

import scrapy.selector 
import urlparse
from scrapy.spiders import Spider
from scrapy.http import Request
from MediaMarkt.items import MediamarktItem

models = ["ue78js9500lxxn","UE60J6200AWXXN","kdl40w705cbaep","KDL55W755CBAEP","KDL40W705CBAEP"]
d = {}
for model in models:
    d[model] = True

def complete_url(string):
    return "http://www.mediamarkt.be" + string


def encode(str):
    return str.encode('utf8', 'ignore') 


class MshbeSpider(Spider):
    name = "mshbetv"
    start_urls = ['http://www.mediamarkt.be/mcs/productlist/_TV,98952,452540.html?langId=-17']

    def parse(self, response):
        items = response.xpath('//*[@id="filters"]/form/fieldset[2]/div[2]/ul[2]/li/a/@href')
        for item in items:
            link = item.extract()
            yield Request(link, callback=self.parse_category)

    def parse_category(self, response): 
        items = response.xpath('//ul[@class="products-list"]/li/div')
        for item in items:
            mshtv = MediamarktItem()
            mshtv['item_3_price'] = encode(item.xpath('normalize-space(.//aside/div/div/div/text())').extract()[0]).replace("-","")
            mshtv['item_2_name'] = encode(item.xpath('normalize-space(.//div/h2/a/text())').extract()[0])
            mshtv['item_a_link'] = complete_url(item.select('.//div/h2/a/@href').extract()[0])
            mshtv['item_4_avai'] = encode(item.xpath('normalize-space(.//aside/div/div/ul/span/text())').extract()[0])
            mshtv['item_1_cat'] = encode(item.xpath('normalize-space(//*[@id="category"]/hgroup/h1/text())').extract()[0])
            for word in mshtv['item_2_name'].split(" "):
                if word in d:
                    mshtv['item_model'] = word
        yield mshtv


        new_link = response.xpath('//li[@class="pagination-next"]/a/@href').extract()[0]
        yield Request(complete_url(new_link),callback=self.parse_category)