BeautifulSoup 搜索属性值

Question

我正在尝试在 HTML 文档中搜索特定属性值。例如

<html> 
  <h2 itemprop="prio1">  TEXT PRIO 1 </h2>
  <span id="prio2"> TEXT PRIO 2 </span>
</html>

我想查找属性值以 "prio"

开头的所有项目

我知道我可以做类似的事情：

soup.find_all(itemprop=re.compile('prio.*')) )

或

soup.find_all(id=re.compile('prio.*')) )

但我要找的是这样的东西：

soup.find_all(*=re.compile('prio.*')) )

Answer 1

我不知道这是否是最好的方法，但这行得通：

>>> soup.find_all(lambda element: any(re.search('prio.*', attr) for attr in element.attrs.values()))
[<h2 itemprop="prio1">  TEXT PRIO 1 </h2>, <span id="prio2"> TEXT PRIO 2 </span>]

在这种情况下，您可以在 lambda element: 中使用 lambda 访问元素。我们在 element.attrs.values() 列表中搜索 'prio.*' 使用 re.search。

然后，我们在结果上使用any()来查看是否有一个元素具有属性并且它的值以'prio'开头。

您也可以在此处使用 str.startswith 而不是 RegEx，因为您只是想检查属性值是否以 'prio' 开头，如下所示：

soup.find_all(lambda element: any(attr.startswith('prio') for attr in element.attrs.values())))

Answer 2

首先你的正则表达式是错误的，如果你只想找到以 prio 开头的字符串，你可以使用 ^ 作为前缀，因为你的正则表达式将匹配 prio字符串中的任何位置，如果您要搜索每个属性，您应该只使用 str.startswith:

h = """<html>
  <h2 itemprop="prio1">  TEXT PRIO 1 </h2>
  <span id="prio2"> TEXT PRIO 2 </span>
</html>"""

soup = BeautifulSoup(h, "lxml")


tags = soup.find_all(lambda t: any(a.startswith("prio") for a in t.attrs.values()))

如果您只想检查某些属性：

tags = soup.find_all(lambda t: t.get("id","").startswith("prio") or t.get("itemprop","").startswith("prio"))

但是如果您想要一个更有效的解决方案，您可能需要查看 lxml，它允许您使用通配符：

from lxml import html

xml = html.fromstring(h)

tags = xml.xpath("//*[starts-with(@*,'prio')]")
print(tags)

或者只是 id 一个 itemprop:

tags = xml.xpath("//*[starts-with(@id,'prio') or starts-with(@itemprop, 'prio')]")

BeautifulSoup 搜索属性值

BeautifulSoup search attributes-value

python

python-3.x

beautifulsoup

bs4