使用BeautifulSoup来查找包含特定文本的HTML标签
我试图获取HTML文档中包含以下模式的文本元素：＃\ S {11}
<h2> this is cool #12345678901 </h2> 所以，以前会使用：
soup('h2',text=re.compile(r' #\S{11}'))
结果会是这样的：
[u'blahblah #223409823523', u'thisisinteresting #293845023984']
我能够得到所有匹配的文本（见上面的行）。 但是我想要文本的父元素匹配，所以我可以使用它作为遍历文档树的起点。 在这种情况下，我想要所有的h2元素返回，而不是文本匹配。
想法？
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
打印：
<h2>this is cool #12345678901</h2> <h2>this is interesting #126666678901</h2> <h2>this is blah #124445678901</h2>
在其他情况下，BeautifulSoupsearch操作将使用text=作为条件而不是BeautifulSoup.Tag [ BeautifulSoup.NavigableString对象]列表。 检查对象的__dict__以查看提供给您的属性。 在这些属性中，由于BS4的变化 ， parent比previous更受青睐。
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
