Python爬虫：巧妙解决超链接文本提取难题
在使用Python爬虫提取网页数据时，经常会遇到因超链接导致文本字段提取不完整的问题。本文以一个实际案例，详细说明如何修改代码，有效解决此类问题。
案例分析： 假设使用XPath路径//div[@class="f14 l24 news_content mt25zoom"]/p/text()提取网页文本，但目标文本“绿色发展”嵌套在<a></a>标签内，导致提取结果缺失。原始文本为：“一带一路”不仅是经济繁荣之路，也是绿色发展之路，而爬虫仅提取到：“一带一路”不仅是经济繁荣之路，也是之路。
问题根源在于text()方法仅提取文本节点，忽略<a></a>标签等元素节点。因此，需要调整XPath路径和文本处理逻辑。
立即学习“Python免费学习笔记（深入）”；
解决方案：
首先，修改XPath路径，使其获取<p></p>标签下的所有节点，包括文本节点和<a></a>标签等。正确的路径应为//div[@class="f14 l24 news_content mt25 zoom"]/p//node()。//node() 选择所有子孙节点。
其次，修改文本处理逻辑，区分文本节点和<a></a>标签节点，分别提取文本内容。可以使用isinstance()函数判断节点类型，如果是文本节点，直接提取文本；如果是<a></a>标签节点，则提取其text属性值。
改进后的代码：
import requests
from lxml import etree
# 目标URL
base_url = "https://www.solidwaste.com.cn/news/342864.html"
resp = requests.get(url=base_url)
html = etree.HTML(resp.text)
# 获取网页编码
encod = html.xpath('//meta[1]/@content')
if encod:
encod = encod[0].split("=")[-1]
resp.encoding = encod
html = etree.HTML(resp.text)
# 获取网页正文内容
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)
通过以上改进，可以完整提取包含在<a></a>标签内的“绿色发展”文本。关键在于使用//node()获取所有子节点，并根据节点类型进行差异化文本提取。
