.string 和 .text BeautifulSoup 之间的区别

Posted 2023-02-23

【中文标题】.string 和 .text BeautifulSoup 之间的区别

【英文标题】：Difference between .string and .text BeautifulSoup

【发布时间】：2014-10-09 06:20:42

【问题描述】：

我在使用 BeautifulSoup 时发现了一些奇怪的地方，但找不到任何支持这一点的文档，所以我想在这里询问。

假设我们有一个类似这样的标签，我们已经用 BS 解析过：

<td>Some Table Data</td>
<td></td>

official documented 提取数据的方式是soup.string。但是，这为第二个 <td> 标记提取了 NoneType。所以我尝试了soup.text（因为为什么不呢？）它完全按照我的意愿提取了一个空字符串。

但是，我在文档中找不到对此的任何引用，并且担心有些事情是遗漏的。谁能告诉我这是否可以使用或以后会引起问题？

顺便说一句，我正在从网页上抓取表格数据，并打算从数据中创建 CSV，所以我确实需要空字符串而不是 NoneTypes。

【参考方案1】：

.string 上的 Tag 类型对象返回 NavigableString 类型对象。另一方面，.text 获取所有子字符串并使用给定的分隔符连接返回。 .text 的返回类型是unicode 对象。

从documentation 来看，NavigableString 就像 Python 中的 Unicode 字符串，只是它还支持 Navigating the tree 和 Searching the tree 中描述的一些功能。

从.string上的documentation可以看出，如果html是这样的，

<td>Some Table Data</td>
<td></td>

然后，第二个 td 上的 .string 将返回 None。 但是.text 将返回一个空字符串，这是一个unicode 类型的对象。

为了更方便，

string

tag 的便利属性，用于获取此标记中的单个字符串。 如果tag 有一个子字符串，则返回值为该字符串。 如果tag 没有子级或多个子级，则返回值为None 如果此tag 有一个子标签，则递归返回值为子标签的“字符串”属性。

还有text

获取所有子字符串并使用给定的分隔符连接返回。

如果html是这样的：

<td>some text</td>
<td></td>
<td><p>more text</p></td>
<td>even <p>more text</p></td>

.string 上的四个td 会返回，

some text
None
more text
None

.text 会给出这样的结果，

some text

more text
even more text

【讨论】：

我想知道为什么文档中没有提到.text...

【参考方案2】：

如果一个标签包含多个东西，那么不清楚 .string 应该指什么，所以 .string 被定义为 None：

示例：

<td>sometext<p>sometext</p></td>

如果 td.string 完成，上述代码将返回 NoneType，因为 td 包含文本以及另一个 p 标签。但是 td.text 会给出：sometextsometext

【参考方案3】：

元素

<td></td>

不是否包含空字符串。相当于

<td/>

没有孩子。对于 XML，“无文本”和“零长度文本”是一样的。

所以soup.string 返回NoneType 是正确的。

另见How to create an XML text node with an empty string value (in Java)

【讨论】：

所以换句话说，.string 反映了 html，因为空标签中没有字符串。而.text 反映了在空字符串中实际看到的内容？如果过于简化，请致歉。