如何用Beautiful Soup打印表格行的所有单元格内容

我最近刚开始学BeautifulSoup，练手爬了ESPN的一个NBA球员幻想排名表格页面。现在能正常打印整行内容，但单独提取每个单元格文本时，带锚点的单元格用cell.string会返回None，这可把我难住了。

我的代码是这样的：

from bs4 import BeautifulSoup
import urllib2
import re

if __name__ == '__main__':
    url = "http://www.espn.com/espn/print?id=20443164"
    resp = urllib2.urlopen(url)
    soup = BeautifulSoup(resp.read())
    table = soup.find_all("table")
    mytable = table[2]
    rows = mytable.findChildren(['th','tr'])
    print rows
    for row in rows:
        cells = row.findChildren('td')
        for cell in cells:
            # print cell.string # 这行有问题
            print cell # 这行能输出完整内容

用print cell能输出带<td>标签的完整内容，但print cell.string在有锚点的单元格位置就返回None，请问怎么去掉<td>标签，同时完整显示第一个单元格的内容？

这问题我之前也碰到过！原因很简单：cell.string只在当前标签没有子标签，或者只有一个纯文本子节点的时候才会返回文本内容。如果单元格里还有<a>这样的子标签，string就会返回None，因为它不知道该取哪个子节点的文本。

给你几个靠谱的解决方法：

1. 用get_text()方法（最推荐） #

这个方法会自动提取当前标签及其所有子标签里的文本内容，还能帮你处理空格问题：

for cell in cells:
    print cell.get_text(strip=True)  # strip=True会去掉文本前后的空白字符

如果单元格里有多个文本片段，还可以指定分隔符，比如cell.get_text(separator=' ', strip=True)，把零散的文本用空格连起来。

2. 先找到子标签再取文本 #

如果你只需要<a>标签里的文本，可以先定位到<a>再用string：

for cell in cells:
    anchor = cell.find('a')
    if anchor:
        print anchor.string.strip()
    else:
        print cell.string.strip() if cell.string else ''

这种方法适合你明确知道要提取子标签内容的场景，但要记得加判断，避免找不到<a>标签时报错。

3. 用stripped_strings生成器 #

这个生成器会遍历标签下所有非空白的文本片段，你可以把它们拼接起来：

for cell in cells:
    print ''.join(cell.stripped_strings)

效果和get_text(strip=True)差不多，适合需要自定义文本拼接逻辑的情况。

把你的代码改成用get_text()之后，就能完美输出每个单元格的纯文本内容啦！

内容的提问来源于stack exchange，提问作者Classified