XPath seleziona collegamenti immagine - link genitore href di img src solo se esiste, altrimenti seleziona img src link

Question

Mi sono imbattuto in un problema XPath un po 'complicato. Considerate questo codice HTML di una parte di una pagina web (io ho usato Imgur e sostituito del testo):

<a href="//i.imgur.com/ahreflink.jpg" class="zoom"> 
    <img class="post-image-placeholder" src="//i.imgur.com/imgsrclink.jpg"> 
    </img> 
</a> 

Prima di tutto voglio cercare tutti img tag nel documento e che trovano la loro corrispondente src es. Successivamente, voglio verificare se il collegamento img src contiene un'estensione di file immagine (.jpeg, .jpg, .gif, .png). Se non contiene un'estensione dell'immagine, non afferrarla. In questo caso ha un'estensione dell'immagine. Ora vogliamo capire quale link vogliamo afferrare. Poiché esiste lo parent href, dovremmo prendere il link corrispondente.

risultato desiderato: //i.imgur.com/ahreflink.jpg

Ma ora diciamo che il parent href non esiste:

<a name="missing! oh no!"> 
    <img class="post-image-placeholder" src="//i.imgur.com/imgsrclink.jpg"> 
    </img> 
</a> 

Risultato desiderato: //i.imgur.com/imgsrclink.jpg

Come posso fare per costruire questo XPath? Se aiuta, sto anche usando Python (Scrapy) con XPath. Quindi se il problema deve essere separato, si può usare anche Python.

Answer 1

Questo è molto semplice da fare in una sola espressione XPath:

//a[not(@href)]/img/@src | //a[img]/@href 

Answer 2

Non è necessario farlo in una singola espressione XPath. Ecco un'implementazione specifica Scrapy omettendo il controllo estensione dell'immagine (a giudicare dai commenti, hai già capito che fuori):

images = response.xpath("//a/img") 
for image in images: 
    a_link = image.xpath("../@href").extract_first() 
    image_link = image.xpath("@src").extract_first() 

    print(a_link or image_link)