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
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 = "www.solidwaste..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)
以上就是如何使用Python爬虫完整提取包含超链接的文本内容？的详细内容，更多请关注范的资源库其它相关文章！
转载请注明：范的资源库 » 如何使用Python爬虫完整提取包含超链接的文本内容？
