Python 解析html时，为什么有时需要item.text而有时需要item.text\u content（）呢

仍在学习lxml。我发现有时我无法使用item.text从树中获取项的文本。如果我使用item.text\u content（），我就可以开始了。我还不知道为什么。如有任何提示，将不胜感激

好的，我不确定如何在不让您处理文件的情况下提供示例：

以下是我编写的一些代码，试图找出我没有收到预期文本的原因：

theTree=html.fromstring(open(notmatched[0]).read()) 
text=[]
text_content=[]
notText=[]
hasText=[]
for each in theTree.iter():
    if each.text:
        text.append(each.text)
        hasText.append(each)   # list of elements that has text each.text is true
    text_content.append(each.text_content()) #the text for all elements 
    if each not in hasText:
        notText.append(each)

所以在我运行这个之后，我看

>>> len(notText)
3612
>>> notText[40]
<Element b at 26ab650>
>>> notText[40].text_content()
'(I.R.S. Employer'
>>> notText[40].text

>>len（非文本）
3612
>>>notText[40]
>>>notText[40]。文本内容（）
（I.R.S.雇主）
>>>notText[40]。文本

您可能会混淆

lxml

实现的不同且不兼容的接口--

lxml.etree

项具有

.text

属性，而（例如）那些来自

text\u content

方法的项则实现了

（也包括在
lxml
中的节点具有
.string
属性…有时[[仅具有单个子节点的节点是字符串…]）

是的，
lxml
既选择实现自己的接口，又选择模拟或包含其他库，这本身就令人困惑，但这可能很方便…；-）。
text\u content
方法：

返回元素的文本内容，包括
它的子对象，没有标记

那么比如说,

import lxml.html as lh
data = """<a><b><c>blah</c></b></a>"""
doc = lh.fromstring(data)
print(doc)
# <Element a at b76eb83c>

但是
c
标记后面有文本，因此
doc.text\u content（）
不是
None
：

print(doc.text)
# None

print(doc.text_content())
# blah

注：
text
属性的含义有一个清晰的描述。虽然它是
lxml.etree.Element
文档的一部分，但我认为
text
和
tail
属性的含义同样适用于
lxml.html.Element
对象。
提供一些示例将有助于回答您的问题你的问题。我做了一些修改，我使用了lxml.html interface.text或.text\u content（）返回文本字符串，如何获得html源代码而不是仅获取文本字符串？