用//a[@href]//text()提取a标签可见文本最稳，需.join()合并并strip()过滤空白；须预清理script/style/注释，避免误取；无文本时fallback至title或aria-label。
用 lxml + XPath 提取 a 标签的可见文本内容
直接取 a 标签内部的文本（即用户看到的“链接名称”），而不是 href 值，lxml 是 Python 中最稳且高效的选择。它能正确处理嵌套标签（比如 <a href="...">点击<strong>这里</strong></a>），而不会把“点击这里”拆成两段。
关键不是用 //a/text() —— 它只取直接子文本节点，会漏掉加粗、换行或 span 包裹的内容。应改用 //a//text()，再用 ''.join() 合并：
from lxml import etree
from html import unescape
<p>tree = etree.HTML(html_text)
for link in tree.xpath('//a[@href]'):
texts = [t.strip() for t in link.xpath('.//text()') if t.strip()]
name = ''.join(texts)
print(name)
- 必须加
[@href]过滤，否则会匹配到无 href 的<a name="top"></a>等锚点 -
.//text()中的点表示从当前a节点开始，避免跨标签污染 -
html.unescape()要手动调用，否则"会原样保留
用 BeautifulSoup 提取链接文本时别踩 get_text() 的坑
soup.find_all('a') 后直接调 link.get_text() 看似简单，但默认会把 script/style 里的内容也拉进来，还可能吞掉空格或折叠换行，导致“联系 我们”变成“联系我们”。
- 加参数
strip=True和separator=' '控制空白：link.get_text(strip=True, separator=' ') - 若 HTML 含大量 JS 模板（如
<a href="%7B%7Burl%7D%7D">{{text}}</a>），get_text()会把{{text}}当真文本返回，得先清洗 - 遇到
<a href="..."><img alt="如何使用HTML提取文本中的链接名称" ></a>这类无文本链接，get_text()返回空字符串——需 fallback 到link.get('title') or link.get('aria-label')
为什么不用正则提取链接名称
正则根本没法可靠识别“哪段文本属于哪个 a 标签”。例如这段 HTML：
立即学习“前端免费学习笔记（深入）”；
<a href="x">Hello</a> world <a href="y">Goodbye</a>
用 r'<a>]*>(.*?)</a>' 会错误捕获 “Hello world Goodbye”，因为 .*? 是非贪婪，但没限定边界，跨标签了。
- 正则无法处理嵌套（
<a>A<b>B</b>C</a>）、注释（<!-- <a>fake</a> -->）、CDATA 或 script 内容 - 即使加
re.DOTALL，也无法区分同级多个a的归属范围 - 唯一能勉强用的场景：你**完全控制 HTML 输出格式**，且所有链接文本都是纯文本、无任何嵌套、无注释、无 JS 模板
提取前必须清理干扰块
真实网页里，<script></script>、<style></style>、<!-- comment --> 里常藏有类似 <a href="...>%20%E7%9A%84%E5%AD%97%E7%AC%A6%E4%B8%B2%EF%BC%8C%E5%AE%83%E4%BB%AC%E4%B8%8D%E6%98%AF%E5%8F%AF%E7%82%B9%E5%87%BB%E9%93%BE%E6%8E%A5%EF%BC%8C%E4%BD%86%E4%BC%9A%E8%A2%AB%E8%A7%A3%E6%9E%90%E5%99%A8%E8%AF%AF%E8%AE%A4%E4%B8%BA%E6%9C%89%E6%95%88%E8%8A%82%E7%82%B9%E3%80%82
- %E7%94%A8%20lxml%20%E6%97%B6%EF%BC%8C%E5%BA%94%E5%9C%A8%20
etree.HTML()%20%E5%89%8D%E5%85%88%E7%94%A8%E6%AD%A3%E5%88%99%E5%88%A0%E6%8E%89%20script/style%20%E6%B3%A8%E9%87%8A%E5%9D%97%EF%BC%9Are.sub(r'<script[%5E>]*>.*?</script>%7C<style[%5E>]*>.*?</style>%7C<!--.*?-->',%20'',%20html_text,%20flags=re.DOTALL%20%7C%20re.IGNORECASE) - BeautifulSoup%20%E9%BB%98%E8%AE%A4%E4%BC%9A%E8%B7%B3%E8%BF%87%20script/style%20%E7%9A%84%E5%86%85%E5%AE%B9%EF%BC%8C%E4%BD%86%E6%B3%A8%E9%87%8A%E5%9D%97%E4%BB%8D%E5%8F%AF%E8%83%BD%E5%B9%B2%E6%89%B0%E2%80%94%E2%80%94%E5%BB%BA%E8%AE%AE%E5%88%9D%E5%A7%8B%E5%8C%96%E6%97%B6%E4%BC%A0%20
features='lxml'%20%E5%B9%B6%E5%8A%A0%20parse_only=SoupStrainer('a')%20%E6%8F%90%E5%89%8D%E8%BF%87%E6%BB%A4 - %E5%A6%82%E6%9E%9C%E5%8E%9F%E5%A7%8B%20HTML%20%E6%9D%A5%E8%87%AA%E5%AF%8C%E6%96%87%E6%9C%AC%E7%BC%96%E8%BE%91%E5%99%A8%EF%BC%88%E5%A6%82%20CKEditor%20%E8%BE%93%E5%87%BA%EF%BC%89%EF%BC%8C%E8%BF%98%E5%8F%AF%E8%83%BD%E5%87%BA%E7%8E%B0%20
<span%20class=" mceitemanchor></a>这类伪链接，需额外按 class 过滤真正难的不是“怎么取文本”，而是“怎么确认这段文本确实属于一个有效、可点击、非模板、非注释的
a标签”——这一步漏掉，后面全白忙。
