BeautifulSoup中的.string和.text的区别

Question

我在使用BeautifulSoup时发现了一些奇怪的情况，但找不到相关的文档来支持我的发现，所以我想在这里问问。

假设我们用BeautifulSoup解析了一些像这样的标签：

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

官方推荐的提取数据的方法是用soup.string。不过，这个方法在第二个<td>标签上提取出来的是一个NoneType，也就是没有值。所以我试了试soup.text（反正也没什么坏处），结果提取到了一个空字符串，正是我想要的。

但是我在文档中找不到任何关于这个的说明，我有点担心这样做是否合适，会不会在后面造成问题？

顺便说一下，我是在从网页上抓取表格数据，打算把这些数据做成CSV文件，所以我确实需要空字符串，而不是NoneType。

Answer 1

这个元素

<td></td>

并不包含一个空字符串。它的意思和下面这个是一样的

<td/>

这个没有任何子元素。对于XML来说，“没有文本”和“长度为零的文本”是一样的。

所以 soup.string 返回 NoneType 是正确的。

另外，可以参考这个链接：如何在Java中创建一个值为空字符串的XML文本节点

Answer 2

如果一个标签里面包含了多个内容，那么就不太清楚.string应该指向哪个内容，所以.string的定义是None，也就是没有值。

举个例子：

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

上面的代码如果执行td.string，会返回NoneType，因为td里面有文本和另一个p标签。但是如果执行td.text，就会得到：sometextsometext。

Answer 3

.string 在一个 Tag 类型的对象上会返回一个 NavigableString 类型的对象。而 .text 则会获取所有子字符串，并用指定的分隔符把它们连接起来。.text 的返回类型是 unicode 对象。

根据 文档，NavigableString 就像是 Python 的 Unicode 字符串，不过它还支持一些在 遍历树 和 搜索树 中描述的功能。

根据 关于 .string 的文档，如果 HTML 是这样的，

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

那么在第二个 td 上使用 .string 会返回 None。但是 .text 会返回一个空字符串，这个空字符串是一个 unicode 类型的对象。

为了更方便，

string

• 这是一个 tag 的便利属性，用来获取这个标签内的单个字符串。
• 如果 tag 只有一个字符串子元素，那么返回的就是这个字符串。
• 如果 tag 没有子元素或者有多个子元素，那么返回的就是 None。
• 如果这个 tag 有一个子标签，那么返回值是这个子标签的 'string' 属性，递归进行。

而 text

• 获取所有子字符串，并用指定的分隔符连接起来返回。

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>

在四个 td 上使用 .string 会返回，

some text
None
more text
None

而 .text 会给出这样的结果，

some text

more text
even more text