Python爬虫：高效提取超链接文本

在使用Python爬虫抓取网页数据时，经常会遇到无法提取<a></a>标签内文本的问题。本文将通过一个案例，演示如何改进代码，完美解决这个问题。

问题描述： 使用XPath表达式//div[@class="f14 l24 news_content mt25zoom"]/p/text()提取网页文本时，由于目标文本“绿色发展”嵌套在<a></a>标签内，导致提取失败。原始代码仅获取了<p></p>标签下的纯文本，忽略了<a></a>标签及其内容。

原始代码：

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

立即学习“Python免费学习笔记（深入）”；

import requests
from lxml import etree
import html

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

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 mt25zoom"]/p/text()')
print(content)

content_deal = ""
for i in content:
    da = i.strip() + "\n"
    content_deal += da
print(content_deal)

解决方案： 关键在于改进XPath表达式和文本处理方式。原始XPath表达式仅提取文本节点，忽略了<a></a>标签内的节点。 我们需要修改XPath表达式，并对提取到的节点进行类型判断。

改进后的代码：

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)

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)

通过修改XPath表达式为//div[@class="f14 l24 news_content mt25 zoom"]/p//node()，我们可以获取<p></p>标签下的所有节点，包括文本节点和<a></a>标签。 代码中增加了节点类型判断，确保正确提取<a></a>标签内的文本“绿色发展”，从而解决问题。