使用 BeautifulSoup 查找包含特定文本的 HTML 标签

Question

我正在尝试获取 HTML 文档中包含以下文本模式的元素： #\S{11}

<h2> this is cool #12345678901 </h2>

因此，前一个将通过使用进行匹配：

soup('h2',text=re.compile(r' #\S{11}'))

结果将类似于：

[u'blahblah #223409823523', u'thisisinteresting #293845023984']

我能够获取所有匹配的文本（参见上面的行）。 但我希望文本的父元素匹配，因此我可以将其用作遍历文档树的起点。 在这种情况下，我希望返回所有 h2 元素，而不是文本匹配。

有想法吗？

Answer 1

当使用 text= 作为条件时，BeautifulSoup 搜索操作会提供 [一系列] BeautifulSoup.NavigableString 对象，这与其他情况下的 BeautifulSoup.Tag 不同案例。 检查对象的 __dict__ 以查看可供您使用的属性。 在这些属性中，parent 比 previous 更受青睐，因为 BS4 中的更改。

from BeautifulSoup import BeautifulSoup
from pprint import pprint
import re

html_text = """
<h2>this is cool #12345678901</h2>
<h2>this is nothing</h2>
<h2>this is interesting #126666678901</h2>
<h2>this is blah #124445678901</h2>
"""

soup = BeautifulSoup(html_text)

# Even though the OP was not looking for 'cool', it's more understandable to work with item zero.
pattern = re.compile(r'cool')

pprint(soup.find(text=pattern).__dict__)
#>> {'next': u'\n',
#>>  'nextSibling': None,
#>>  'parent': <h2>this is cool #12345678901</h2>,
#>>  'previous': <h2>this is cool #12345678901</h2>,
#>>  'previousSibling': None}

print soup.find('h2')
#>> <h2>this is cool #12345678901</h2>
print soup.find('h2', text=pattern)
#>> this is cool #12345678901
print soup.find('h2', text=pattern).parent
#>> <h2>this is cool #12345678901</h2>
print soup.find('h2', text=pattern) == soup.find('h2')
#>> False
print soup.find('h2', text=pattern) == soup.find('h2').text
#>> True
print soup.find('h2', text=pattern).parent == soup.find('h2')
#>> True

Answer 2

from BeautifulSoup import BeautifulSoup
import re

html_text = """
<h2>this is cool #12345678901</h2>
<h2>this is nothing</h2>
<h1>foo #126666678901</h1>
<h2>this is interesting #126666678901</h2>
<h2>this is blah #124445678901</h2>
"""

soup = BeautifulSoup(html_text)


for elem in soup(text=re.compile(r' #\S{11}')):
    print elem.parent

印刷：

<h2>this is cool #12345678901</h2>
<h2>this is interesting #126666678901</h2>
<h2>this is blah #124445678901</h2>

Answer 3

对于 bs4 (Beautiful Soup 4)，OP 的尝试完全按照预期工作：

from bs4 import BeautifulSoup
soup = BeautifulSoup("<h2> this is cool #12345678901 </h2>")
soup('h2',text=re.compile(r' #\S{11}'))

返回 [

; 这很酷#12345678901

]。