仅提取此元素的文本，而非其子元素
我想从我的“汤”（指的是一个包含HTML内容的对象）中提取最上面的元素的文本；但是用soup.text会得到所有子元素的文本：
我有
import BeautifulSoup
soup=BeautifulSoup.BeautifulSoup('<html>yes<b>no</b></html>')
print soup.text
这个的输出是 yesno。我只想要'yes'。
有什么好的方法可以做到这一点吗？
编辑：我还希望在解析 '<html><b>no</b>yes</html>' 时也能输出 yes。
5 个回答
42
你可以使用 contents 来获取内容。
>>> print soup.html.contents[0]
yes
或者，如果你想获取网页下的所有文本，可以使用 findAll(text=True, recursive=False)。
>>> soup = BeautifulSoup.BeautifulSOAP('<html>x<b>no</b>yes</html>')
>>> soup.html.findAll(text=True, recursive=False)
[u'x', u'yes']
上面的内容会合并成一个字符串。
>>> ''.join(soup.html.findAll(text=True, recursive=False))
u'xyes'
94
那.find(text=True)呢？
>>> BeautifulSoup.BeautifulSOAP('<html>yes<b>no</b></html>').find(text=True)
u'yes'
>>> BeautifulSoup.BeautifulSOAP('<html><b>no</b>yes</html>').find(text=True)
u'no'
补充：
我觉得我现在明白你想要什么了。试试这个：
>>> BeautifulSoup.BeautifulSOAP('<html><b>no</b>yes</html>').html.find(text=True, recursive=False)
u'yes'
>>> BeautifulSoup.BeautifulSOAP('<html>yes<b>no</b></html>').html.find(text=True, recursive=False)
u'yes'
6
在现代的（截至2023年6月17日）BeautifulSoup4中，给定：
from bs4 import BeautifulSoup
node = BeautifulSoup("""
<html>
<div>
<span>A</span>
B
<span>C</span>
D
</div>
</html>""").find('div')
使用下面的代码可以获取直接子元素的文本内容（BD）：
s = "".join(node.find_all(string=True, recursive=False))
而使用以下代码可以获取所有后代元素的文本内容（ABCD）：
s = "".join(node.find_all(string=True, recursive=True))