beauthulsoup只在td标记中获取“general”文本，而在嵌套标记中什么也得不到

Question

假设我的html如下所示：

<td>Potato1 <span somestuff...>Potato2</span></td>
...
<td>Potato9 <span somestuff...>Potato10</span></td>

我让Beautulsoup来做这个：

^{pr2}$

我得到了

Potato1 Potato2
....
Potato9 Potato10

是否可以只获取标记内的文本而不是span标记中嵌套的任何文本？在

Answer 1

另一个方法，与tag.contents[0]不同，它保证文本是 NavigableString而不是子Tag内的文本是：

[child for tag in soup.find_all("td") 
 for child in tag if isinstance(child, bs.NavigableString)]

---

以下是一个突出差异的示例：

^{pr2}$

---

或者，对于lxml，可以使用XPath td/text()：

import lxml.html as LH

content = '''
<td>Potato1 <span>Potato2</span></td>
<td><span>FOO</span></td>
<td><span>Potato10</span>Potato9</td>
'''
root = LH.fromstring(content)

print(root.xpath('td/text()'))

收益率

['Potato1 ', 'Potato9']

Answer 2

您可以使用^{}作为

>>> for tag in soup.find_all("td"):
...     print tag.contents[0]
...
Potato1
Potato9

它的作用是什么？

标记子级可以使用.contents作为列表使用。在

^{pr2}$

因为我们只对第一个元素感兴趣，所以我们

print tag.contents[0]