使用JSoup提取<p>标签内包含<a>标签的全部文本内容

嘿，这个问题我之前帮不少开发者解决过！其实核心就是要获取

标签下所有子孙节点的文本内容，而不是只抓取它的直接文本节点。下面给你几种Python爬虫里最常用的实现方案，按需选用就行：

方法1：用BeautifulSoup的get_text()方法 #

这是最省心的方案，BeautifulSoup的Tag对象自带的get_text()方法会自动递归提取所有子节点（包括标签里的文本），还能通过参数控制文本的格式：

from bs4 import BeautifulSoup

# 你的目标HTML结构示例
html = '''<p> <a>链接文本1</a> Some text <a>链接文本2</a> Some text </p>'''
soup = BeautifulSoup(html, 'html.parser')
p_element = soup.find('p')

# 提取完整文本，自动处理空白和分隔
full_text = p_element.get_text(strip=True, separator=' ')
print(full_text)
# 输出结果：链接文本1 Some text 链接文本2 Some text

方法2：遍历stripped_strings生成器 #

如果你需要更精细的文本处理（比如过滤某些特殊内容），可以用stripped_strings迭代器，它会返回所有非空白的文本片段：

from bs4 import BeautifulSoup

html = '''<p> <a>链接文本1</a> Some text <a>链接文本2</a> Some text </p>'''
soup = BeautifulSoup(html, 'html.parser')
p_element = soup.find('p')

# 收集所有非空白文本片段，再拼接成完整内容
text_fragments = [fragment for fragment in p_element.stripped_strings]
full_text = ' '.join(text_fragments)
print(full_text)

方法3：用lxml的XPath string()函数 #

如果你用的是lxml库，直接用XPath的string()函数就能一次性获取节点下的所有文本：

from lxml import etree

html = '''<p> <a>链接文本1</a> Some text <a>链接文本2</a> Some text </p>'''
tree = etree.HTML(html)

# 用string()获取<p>标签下的全部文本
raw_text = tree.xpath('string(//p)')
# 清理多余空白
full_text = ' '.join(raw_text.split())
print(full_text)

本质上，这些方法都是绕开“只提取直接文本”的误区，转而递归获取所有嵌套节点的文本内容。选你正在用的爬虫库对应的方法就行，轻松解决文本不连贯的问题～

内容的提问来源于stack exchange，提问作者Prashant Pandey