无法获得开始和结束标记之间的文本

Question

soup = BeautifulSoup("<p>'hello'<a>'my link'</a></p>", 'html.parser')
print(soup.p.string)
None

输出是否正常？

Answer 1

虽然<\p>无效，但lxml会尝试关闭第一个标记，因此此代码有效。 html.parser在这个领域做得不好。

soup = BeautifulSoup("<p>'hello'<a>'my link'</a></p>", 'lxml')
print(soup.p.get_text(strip=True))

哪个输出：

  

'hello''my link'

Answer 2

由于最初发布的<\p>只是一个错字，这就是你的问题实际上是什么。

关于.string BeautifulSoup的工作原理。它的工作方式有所不同，具体取决于元素的子元素 - if an element has multiple children, it returns None：

  

如果某个代码包含多个内容，则不清楚.string应引用的内容，因此.string定义为None

请注意，.string元素的p如何None，而a则不是：

In [1]: from bs4 import BeautifulSoup

In [2]: soup = BeautifulSoup("<p>'hello'<a>'my link'</a></p>", 'html.parser')

In [3]: print(soup.p.string)
None

In [4]: print(soup.p.a.string)
'my link'

获取元素文本的正确且更可靠的方法是通过.get_text()：

In [5]: print(soup.p.get_text(strip=True))
'hello''my link'

Answer 3

>>>soup = BeautifulSoup("<p>adA<a>asda</a>asda</p>")
>>> soup.p
<p>adA<a>asda</a>asda</p>
>>> soup.p.text
u'adAasdaasda'

我认为Bs不能真正得到段落文本，因为里面有一个嵌套的标签。我认为当你试图获取文本时，它会递归地获取所有孩子的文本并将其附加到输出中。