Python爬虫：完整提取超链接中的网页文本

在使用Python爬虫抓取网页信息时，经常遇到文本嵌套在<a></a>标签中的情况。直接使用text()方法会忽略<a></a>标签内的内容，导致信息丢失。本文提供一种解决方案，确保完整提取所有文本信息。

问题：

爬取新闻网站时，部分文本位于<a></a>标签内，导致XPath表达式//div[@class="f14 l24 news_content mt25zoom"]/p/text()无法完整提取文本。“绿色发展”等词语因嵌套在<a></a>标签中而被遗漏。

立即学习“Python免费学习笔记（深入）”；

原始代码使用//div[@class="f14 l24 news_content mt25zoom"]/p/text()仅提取文本节点，忽略<a></a>标签及其内容。

Python数据分析(免费版)

提供Python数据清洗、统计分析与可视化建议，覆盖业务报表与科研数据的快速处理流程。

下载

解决方案：

修改XPath表达式并进行节点类型判断，分别处理文本节点和<a></a>标签节点。

首先，将XPath表达式修改为//div[@class="f14 l24 news_content mt25 zoom"]/p//node()。//node()提取所有子节点，包括文本节点和<a></a>标签。

然后，遍历所有节点，判断节点类型。如果是文本节点，直接提取文本；如果是<a></a>标签节点，提取<a></a>标签的文本内容。

改进后的代码如下：

import requests
from lxml import etree

base_url = "https://www.solidwaste.com.cn/news/342864.html"
resp = requests.get(url=base_url)
html = etree.HTML(resp.text)

# 稳健的编码处理
encod = html.xpath('//meta[1]/@content')
if encod:
    encod = encod[0].split("=")[-1]
    resp.encoding = encod
    html = etree.HTML(resp.text)

content = html.xpath('//div[@class="f14 l24 news_content mt25 zoom"]/p//node()')

content_deal = ""
for node in content:
    if isinstance(node, etree._ElementUnicodeResult):
        content_deal += node.strip() + "\n"
    elif isinstance(node, etree._Element) and node.tag == 'a':
        content_deal += node.text.strip() + "\n"

print(content_deal)

通过以上改进，代码能够完整提取<a></a>标签内的文本内容，避免信息丢失。 代码中对编码处理进行了优化，避免了因=号重复出现导致的错误。