bs4 string与text的区别

 

用python写爬虫时，BeautifulSoup真是解析html，快速获取所需数据的神器。

这个美味汤使唤起来，屡试不爽。

在用find()方法找到特定的tag后，想获取里面的文本，可以用.text属性或者.string属性。

在很多时候，两者的返回结果一致，但其实两者是有区别的。

.string的资料很多，.text的资料比较少。

遍寻中文世界没有满意的答案，直接google在stock overflow中找到了很满意的解答：

.string on a Tag type object returns a NavigableString type object. On the other hand, .textgets all the child strings and return concatenated using the given separator. Return type of .text is unicode object.

From the documentation, A NavigableString is just like a Python Unicode string, except that it also supports some of the features described in Navigating the tree and Searching the tree.

From the documentation on .string, we can see that, If the html is like this,

1.  
   <td>Some Table Data</td>
2.  
   <td></td>

Then, .string on the second td will return None. But .text will return and empty string which is a unicode type object.

For more convenience,

string

• Convenience property of a tag to get the single string within this tag.
• If the tag has a single string child then the return value is that string.
• If the tag has no children or more than one child the return value is None
• If this tag has one child tag return value is the 'string' attribute of the child tag, recursively.

And text

• Get all the child strings and return concatenated using the given separator.

If the html is like this:

1.  
   1、<td>some text</td>
2.  
   2、<td></td>
3.  
   3 、<td><p>more text</p></td>
4.  
   4、<td>even <p>more text</p></td>
5.  
    

.string on the four td will return,

1.  
   1、some text
2.  
   2、None
3.  
   3、more text
4.  
   4、None

.text will give result like this

1.  
   1、some text
2.  
    
3.  
   2、more text
4.  
   3、even more text

通过以上的举例，可以很清楚的发现，.find和.string之间的差异：

第一行，在指定标签td，没有子标签，且有文本时，两者的返回结果一致，都是文本

第二行，在指定标签td，没有子标签，且没有文本时，.string返回None，.text返回为空

第三行，在指定标签td，只有一个子标签时，且文本只出现在子标签之间时，两者返回结果一致，都返回子标签内的文本

第四行，最关键的区别，在指定标签td，有子标签，并且父标签td和子标签p各自包含一段文本时，两者的返回结果，存在很大的差异

.string返回为空，因为文本数>=2，string不知道获取哪一个

.text返回的是，两段文本的拼接。