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”嵌套在标签内，导致提取失败。原始代码仅获取了
原始代码：
立即学习“Python免费学习笔记（深入）”；
import requestsfrom lxml import etreeimport htmlbase_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 += daprint(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 requestsfrom lxml import etreebase_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
标签下的所有节点，包括文本节点和标签。 代码中增加了节点类型判断，确保正确提取标签内的文本“绿色发展”，从而解决问题。
以上就是Python爬虫如何提取网页中被超链接标签包裹的文本？的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1359047.html
微信扫一扫 
支付宝扫一扫 
