美丽的汤找不到字符串

Question

在解析 http://en.wikipedia.org/wiki/Israel 时，我遇到了一个带有文本的 H2 标签，但 Beautiful Soup 为它返回了一个 None 类型：

$ python
Python 2.7.3 (default, Apr 10 2013, 05:13:16)
[GCC 4.7.2] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import bs4
>>> import requests
>>> from pprint import pprint
>>> response = requests.get('http://en.wikipedia.org/wiki/Israel')
>>> soup = bs4.BeautifulSoup(response.content)
>>> for h in soup.find_all('h2'):
...     pprint(str(type(h)))
...     pprint(h)
...     pprint(str(type(h.string)))
...     pprint(h.string)
...     print('--')
...                     
"<class 'bs4.element.Tag'>"
<h2>Contents</h2>    
"<class 'bs4.element.NavigableString'>"
u'Contents'          
--                   
"<class 'bs4.element.Tag'>"
<h2><span class="mw-headline" id="Etymology"><span id="Etymology"></span> Etymology</span></h2>
"<type 'NoneType'>"  
None                 
--                   
"<class 'bs4.element.Tag'>"
<h2><span class="mw-headline" id="History">History</span></h2>
"<class 'bs4.element.NavigableString'>"
u'History'           
--

请注意，这不是解析问题，Beautiful Soup 可以很好地解析文档。为什么第二个 H2 元素返回 None 类型？是否由于字符串中的前导“”（空格）？我该如何解决这个问题？这是 Python 2.7 上的 Beautiful Soup 4，Kubuntu Linux 12.10。

Answer 1

我在回答前半部分，怎么了……

引用documentation of bs4：“如果一个标签包含不止一个东西，那么.string应该指的是什么就不清楚了，所以.string被定义为None。”

现在是另一半，如何修复它。

再次引用同一来源：“如果标签中包含多个内容，您仍然可以只查看字符串。使用 .strings 生成器。”。更好的是，使用.stripped_strings 生成器，连接结果，我想你会得到你想要的。

Answer 2

我认为这是因为第二个 h2 没有文本，而是有一个 span 作为孩子（并且该跨度有另一个孩子作为其孩子，这使得 h2 的孙子。

对于这种解析，请使用基于生成器的属性，例如 .stripped_strings 和 .strings。

>>> s.find_all('h2')
[<h2>Contents</h2>, <h2><span class="mw-headline" id="Etymology"><span id="Etymology"></span> Etymology</span></h2>]
>>> list(s.find_all('h2')[-1].stripped_strings)
[u'Etymology']