Question

我正在尝试使用BeautifulSoup：

<h4>Hello<br /></h4>
<p><img src="http://url.goes.here" alt="hiya" class="img" />May 28, 1996</p>

对于此示例，假设我在变量<h4>中保存了tag标记。当我输入print tag.text时，输出为Hello，正如所料。

然而，当我使用print tag.nextSibling时，输出什么都没有。当我输入print tag.nextSibling.nextSibling时，输出为<p><img src="http://url.goes.here" alt="hiya" class="img" />May 28, 1996</p>。到底是怎么回事？为什么我必须加倍使用.nextSibling来获取示例中的<p>标记？这始终是一个错误。

Answer 1

显然，.nextSibling 将抓取白色文字。因此，在我正在使用的实际页面中，<h4>和<p>标记之间有白色文字，这就是我必须加倍的原因。

<强>证据

写作：

print tag.__class__
print tag.nextSibling.__class__
print tag.nextSibling.nextSibling.__class__

收率：

<class 'BeautifulSoup.Tag'>
<class 'BeautifulSoup.NavigableString'>
<class 'BeautifulSoup.Tag'>

Answer 2

以下是官方文档中的内容： http://www.crummy.com/software/BeautifulSoup/bs4/doc/#going-down

在真实文档中，标记的.next_sibling或.previous_sibling通常是包含空格的字符串。回到“三姐妹”文件：

<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a>
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>

您可能认为第一个标记的.next_sibling是第二个标记。但实际上，它是一个字符串：逗号和换行符将第一个标记与第二个标记分开：

link = soup.a
link
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

link.next_sibling
# u',\n'

第二个标记实际上是逗号的.next_sibling：

link.next_sibling.next_sibling
# <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>

来自BeautifulSoup的使用nextSibling的问题

2 个答案: