初识 string 和 text 时感觉没什么区别,都是获得标签内的文本啊
然而在这次爬虫过程中发现并不是,他俩的区别还是挺大的
from bs4 import BeautifulSoup
# 实际网站的一段代码
html = """
<div class="bd">
<p class="">
导演: 弗兰克·德拉邦特 Frank Darabont 主演: 蒂姆·罗宾斯 Tim Robbins /...<br>
1994 / 美国 / 犯罪 剧情
</p>
</div>
"""
soup = BeautifulSoup(html,'lxml')
result = soup.find(class_='bd').find('p')
print(result.string)
print(result.text)
结果很明显,这里用string 获取文本失败,用 text 却可以正常获得
具体的原因可以参考: 丹枫无迹
我的理解它们俩的区别是:
- 对于就是标签内只有不含有其他标签子节点,那么这个 tag 可以使用
result.string
得到文本,也可以用result.text
获得文本 - 如果 tag 包含了多个子节点,tag 就无法确定
result.string
方法应该调用哪个子节点的内容,result.string
的输出结果是 None
下面回到我测试的这段代码发现:
p 标签内里面还有一个 br 标签,为了验证现在把 这个 br 标签删掉测试下:
from bs4 import BeautifulSoup
html = """
<div class="bd">
<p class="">
导演: 弗兰克·德拉邦特 Frank Darabont 主演: 蒂姆·罗宾斯 Tim Robbins /...
1994 / 美国 / 犯罪 剧情
</p>
</div>
"""
soup = BeautifulSoup(html,'lxml')
result = soup.find(class_='bd').find('p')
print(result.string)
print(result.text)
发现都能正常显示
所以以后通过 string 筛选文本时,一定注意该标签内是否含有其他标签即子标签,如果最好使用 text