python美化组类型错误：序列项0:应为字符串，找到标记

Question

我使用beautifulsoup从html字符串中提取图像和链接。这一切都工作得很好，但是有些链接在链接内容中有一个标记，它会抛出一个错误。

示例链接：

<a href="http://www.example.com"><strong>Link Text</strong></a>

Python代码：

soup = BeautifulSoup(contents)
links = soup.findAll('a')
for link in links:
    print link.contents # generates error
    print str(link.contents) # outputs [Link Text]

错误消息：

TypeError: sequence item 0: expected string, Tag found

我真的不想在链接文本中循环任何子标记，我只想返回原始内容，这对BS是可能的吗？

Answer 1

要仅获取标记的文本内容，^{} method允许您从当前元素（包括标记）中获取（剥离）文本：

print link.get_text(' ', strip=True)

第一个参数用于连接所有文本元素，而将strip放置到True则意味着所有文本元素都将首先去掉前导和尾随空白。在大多数情况下，这会为您提供整洁的处理文本。

您还可以使用^{} iterable：

print u' '.join(link.stripped_strings)

这基本上是相同的效果，但是您可以选择先处理或过滤剥离的字符串。

要获取内容，请对每个子项使用str()或unicode()：

print u''.join(unicode(item) for item in link)

这对包含的Element和NavigableString项都有效。