如何使用Python爬虫完整提取包含超链接的文本内容？

百变鹏仔 5天前 #Python

文章标签爬虫

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 requestsfrom 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)

文章推荐

如何使用Python爬虫完整提取包含超链接的文本内容？

如何在Python中将DateTime转换为整数？

Python - 字典中键的值求和

Python程序向列表中添加元素

Python程序将列表中的所有元素连接成一个字符串

学习起来哪个更容易，SQL还是Python？