Использование BeautifulSoup для поиска HTML-тега, содержащего определенный текст

Я пытаюсь получить элементы в HTML-документе, которые содержат следующий шаблон текста: #S{11}

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

Так, предыдущий будет соответствовать с помощью:

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

и результаты будут что-то вроде:

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

Я могу получить весь текст, который соответствует (см. строку выше). Но я хочу, чтобы родительский элемент текста соответствовал, поэтому я могу использовать его в качестве отправной точки для обхода дерева документов. В этом случае я бы хотел, чтобы все элементы h2 чтобы вернуться, не соответствует тексту.

идеи?

3 54
python regex beautifulsoup html-content-extraction

3 ответа:

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

принты:

<h2>this is cool #12345678901</h2>
<h2>this is interesting #126666678901</h2>
<h2>this is blah #124445678901</h2>
65

BeautifulSoup поисковые операции доставить [список] BeautifulSoup.NavigableString объекты, когда text= используется в качестве критерия в противоположность BeautifulSoup.Tag в других случаях. Проверьте объект __dict__ чтобы увидеть атрибуты, доступные для вас. Из этих атрибутов,parent продвижения previous из-за изменения в BS4.

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
13

С bs4 (красивый суп 4), попытка OP работает точно так же, как ожидалось:

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

возвращает [<h2> this is cool #12345678901 </h2>].

2