web-dev-qa-db-ja.com

BeautifulSoupを使用して特定のテキストを含むHTMLタグを見つける

次のテキストパターンを含むHTMLドキュメントの要素を取得しようとしています：＃\ S {11}

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

したがって、前のものは以下を使用して一致します。

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

結果は次のようになります。

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

一致するすべてのテキストを取得できます（上記の行を参照）。しかし、テキストの親要素が一致するようにしたいので、ドキュメントツリーを走査するための開始点としてそれを使用できます。この場合、テキストが一致するのではなく、すべてのh2要素が返されるようにします。

アイデア？

pythonregexbeautifulsouphtml-content-extraction
60
sotangochips
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

プリント：

<h2>this is cool #12345678901</h2>
<h2>this is interesting #126666678901</h2>
<h2>this is blah #124445678901</h2>
69
nosklo

BeautifulSoupの検索操作は、BeautifulSoup.NavigableStringが他の場合のtext=とは対照的に基準として使用される場合、BeautifulSoup.Tagオブジェクトの[リスト]を配信します。オブジェクトの__dict__をチェックして、使用可能な属性を確認してください。これらの属性のうち、 BS4の変更 のため、parentがpreviousよりも優先されます。

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
19
Bruno Bronosky

Bs4（Beautiful Soup 4）を使用すると、OPの試行は予想どおりに機能します。

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

[<h2> this is cool #12345678901 </h2>]を返します。

2
T.C. Proctor