Python 抓取：从网站上抓取所有文本，但不包括超链接文本

我在这里找到了一些有用的链接，解释如何从正文中提取所有文本：

然而，在提取所有文本的过程中，它也会刮去我不想要的超链接的文本。例如，在抓取网站时：

我使用了以下提取器：

text = re.sub(' +',' ',re.sub('\n|\t|\r','',' '.join(response.selector.xpath('//body/descendant-or-self::*[not( self::script | self::style)]/text()').extract()))).strip()

我得到了以下结果：

“引用刮登录查看标签：幽默”的人，是吗 对一本好小说不感兴趣的先生或女士，一定是 愚蠢得让人无法忍受

“登录”一词来自超链接的文本部分

<a href="/login">Login</a>

来自超链接的文本的另一个示例是：

<a href="#" data-toggle="tab" class="login-tab-links2 toplogin">KFN PUBlIC INVESTORS<small>K1 AND TAX INFO</small></a></li>

其中“KFN公共投资者”和“K1和税务信息”也被删除

如何避免超链接中的文本也被刮去

---

非常感谢

您可以检查节点

父节点

或

祖先节点

是否是您不想要的节点

例如：
此xpath将查找非

节点的子节点的所有文本：

//text()[not(parent::a)]

或者，您可以使用

祖先

，检查是否有任何祖先是

节点（这意味着父母、祖父母、外祖父母等）：

---

谢谢你的快速回复！我尝试使用两种形式的[not（parent:：a）]范式

'//身体/后代或自我：：*[非（自我：：脚本|自我：：风格|祖先：：a）]/text（）'

以及

'//身体/后代或自我：：*[非（自我：：脚本|自我：：风格）]/text（）[非（祖先：：a）]

，但两者都不起作用。最后，我尝试了一种简单的方法

'//body//text（）[not（parent:：a）]）

，但这也不起作用。有没有什么是我做错了（我尝试了父母和祖先的两种组合）？@BenedictLim你所说的不起作用是什么意思？它捕获

节点下的文本？你能详细说明一下你想要表达什么结果吗？实际上我尝试了

//身体/后代或自我：：*[不是（self:：script | self:：style | self:：a）]/text（），

，但是用self替换祖先，大部分都有效！我认为，如果我一直排除这种格式中的元素，应该能够减少我想要避免的文本类型。谢谢

//text()[not(ancestor::a)]