搜索正则表达式时忽略子节点
Posted
技术标签:
【中文标题】搜索正则表达式时忽略子节点【英文标题】：Ignore children nodes when searching for regular expression 【发布时间】：2019-07-01 12:55:24 【问题描述】：我想用 BeautifulSoup 识别大文本文档中的分割点。因此，我制定了一个正则表达式来查找特定字符串出现的Tag。问题是，如果我正在搜索的字符串中还有其他格式/子节点，它就不起作用。
t1 = BeautifulSoup("<p class=\"p p8\"><strong>Question-And-Answer</strong></p>")
t2 = BeautifulSoup("<p class=\"p p8\"><strong>Question</strong>-<strong>And</strong>-<strong>Answer</strong></p>")
t1.find(text = re.compile("Question[s]*-And-Answer[s]*", re.IGNORECASE))
>>> 'Question-And-Answer'
t2.find(text = re.compile("Question[s]*-And-Answer[s]*", re.IGNORECASE))
>>> None
输出应该是p Tag 对象。
【问题讨论】：
不确定这是否有帮助，但如果你这样做re.match("Question[s]*-And-Answer[s]*", t2.text).group()，它会输出你想要的结果。但就像我说的，不确定这是否有助于您继续前进。
我下面的回答能解决问题吗？请告知仍然缺少或需要澄清的内容。
【参考方案1】：
您在这里遇到的问题是您要查找的文本在p 节点内被strong 标签分割，因此在.find 中使用text 参数的正则表达式搜索将不起作用，它这就是它在 BS 中的实现方式。
如果您知道文本位于 p 节点中，您可以在 .find 调用中使用 lambda 表达式并针对每个 p 的 text 属性运行正则表达式搜索标记以找到您需要的元素：
print(t2.find(lambda t: t.name == "p" and re.search(r'Questions*-And-Answers*', t.text)))
# => <p class="p p8"><strong>Question</strong>-<strong>And</strong>-<strong>Answer</strong></p>
请注意，[s] 与正则表达式中的 s 相同。
【讨论】：
这种方法的问题是，如果它包含所需的文本，它将匹配完整的 html。为澄清起见，请尝试使用<html><body><p class="p p8"><strong>Question</strong>-<strong>And</strong>-<strong>Answer</strong></p></body></html> 作为输入运行您的代码。
@KeyurPotdar 如果OP只想获取p这些文本的元素，那么可以通过添加t.name == "p"条件来解决。以上是关于搜索正则表达式时忽略子节点的主要内容，如果未能解决你的问题，请参考以下文章
如何使用正则表达式搜索忽略 NSPredicate 的某些字符？