python - beautifulsoup - TypeError：序列项 0：预期的字符串，找到标记

Question

我正在使用 beautifulsoup 从 html 字符串中提取图像和链接。这一切都很好，但是对于某些在链接内容中有标签的链接，它会引发错误。

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]

错误信息：

TypeError: sequence item 0: expected string, Tag found

我真的不想遍历链接文本中的任何子标签，我只是想返回原始内容，这对 BS 可行吗？

Answer 1

要仅抓取标签的文本内容，element.get_text() method 可让您从当前元素（包括标签）中抓取（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，将strip 置于True 意味着所有文本元素首先去除前导和尾随空格。在大多数情况下，这会为您提供整洁的处理文本。

您也可以使用.stripped_strings iterable:

print u' '.join(link.stripped_strings)

这本质上是相同的效果，但您可以选择先处理或过滤剥离的字符串。

要获取内容，请在每个子项上使用str() 或unicode()：

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

这将适用于 Element 和 NavigableString 包含的项目。