如何使用Python爬虫完整提取包含超链接的文本内容？

欢迎各位小伙伴来到golang学习网，相聚于此都是缘哈哈哈！今天我给大家带来《如何使用Python爬虫完整提取包含超链接的文本内容？》，这篇文章主要讲到等等知识，如果你对文章相关的知识非常感兴趣或者正在自学，都可以关注我，我会持续更新相关文章！当然，有什么建议也欢迎在评论留言提出！一起学习！

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：

content = html.xpath('//div[@class="f14 l24 news_content mt25zoom"]/p/text()')

只能提取到<p>标签下的直接文本内容，而<a>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<p>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() + "\n"
    elif isinstance(node, etree._element) and node.tag == 'a':
        content_deal += node.text.strip() + "\n"

这样处理后，即使<p>标签嵌套了<a>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() + "\n"
    elif isinstance(node, etree._Element) and node.tag == 'a':
        content_deal += node.text.strip() + "\n"

print(content_deal)

好了，本文到此结束，带大家了解了《如何使用Python爬虫完整提取包含超链接的文本内容？》，希望本文对你有所帮助！关注golang学习网公众号，给大家分享更多文章知识！