◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。
如何使用Python爬虫完整提取包含超链接的文本内容？
ID:21220 / 打印
python爬虫解析包含超链接的文本字段
在使用爬虫提取网页文本内容时，遇到带有超链接的文本字段导致无法完整提取的情况时，需要对xpath路径和内容处理方法进行适当的修改。
修改xpath路径
最初的xpath路径：
立即学习“Python免费学习笔记（深入）”；
content = html.xpath('//div[@class="f14 l24 news_content mt25zoom"]/p/text()')只能提取到
标签下的直接文本内容，而标签内的文本会被忽略。要获取包含超链接的完整文本，需要将路径修改为：
content = html.xpath('//div[@class="f14 l24 news_content mt25 zoom"]/p//node()')此路径将获取所有
标签下节点（包括文本和标签），以便完整提取文本内容。
内容处理
获取到所有节点后，需要对内容进行处理，区分文本和超链接标签：
content_deal = "" for node in content: if isinstance(node, etree._elementunicoderesult): content_deal += node.strip() + " " elif isinstance(node, etree._element) and node.tag == 'a': content_deal += node.text.strip() + " "
这样处理后，即使
标签嵌套了标签，也能完整提取到文本和超链接的文本内容。
修改后的完整代码：
import requests from lxml import etree # 爬取并转化为html格式 base_url = "https://www.solidwaste.com.cn/news/342864.html" resp = requests.get(url=base_url) html = etree.HTML(resp.text) # 更换编码方式为网页对应的编码 encod = html.xpath('//meta[1]/@content') if encod != []: encod = encod[0].split("=")[1] resp.encoding = encod html = etree.HTML(resp.text) # 获取网页正文 content = html.xpath('//div[@class="f14 l24 news_content mt25 zoom"]//node()') # 处理内容 content_deal = "" for node in content: if isinstance(node, etree._ElementUnicodeResult): content_deal += node.strip() + " " elif isinstance(node, etree._Element) and node.tag == 'a': content_deal += node.text.strip() + " " print(content_deal)