Utilizzando BeautifulSoup per trovare un tag HTML che contiene un determinato testo

Question

Sto cercando di ottenere gli elementi di un documento HTML che contiene il seguente schema di testo: # \ S {11}

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

Così, il precedente sarebbe partita utilizzando:

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

E i risultati sarebbe qualcosa di simile:

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

sono in grado di ottenere tutto il testo che m atches (vedi riga sopra). Ma voglio che l'elemento genitore del testo corrisponda, quindi posso usarlo come punto di partenza per attraversare l'albero dei documenti. In questo caso, vorrei che restituissero tutti gli elementi h2, non le corrispondenze del testo.

Idee?

Answer 1

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 

Stampe:

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

Answer 2

BeautifulSoup operazioni di ricerca offrono [] un elenco di oggetti quando BeautifulSoup.NavigableStringtext= viene utilizzato come criterio in contrasto con BeautifulSoup.Tag in altri casi. Controlla l'oggetto __dict__ per vedere gli attributi resi disponibili. Di questi attributi, parent è preferito su previous a causa di changes in 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 

Answer 3

Con BS4 (Beautiful Soup 4), il tentativo del PO funziona esattamente come previsto:

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

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