BeautifulSoup webscraping find_all()：找到完全匹配
Posted
技术标签:
【中文标题】BeautifulSoup webscraping find_all()：找到完全匹配【英文标题】：BeautifulSoup webscraping find_all( ): finding exact match 【发布时间】：2014-05-08 17:49:54 【问题描述】：我正在使用 Python 和 BeautifulSoup 进行网页抓取。
假设我要抓取以下 html 代码：
<body>
<div class="product">Product 1</div>
<div class="product">Product 2</div>
<div class="product special">Product 3</div>
<div class="product special">Product 4</div>
</body>
使用 BeautifulSoup，我只想找到属性为 class="product" 的产品 （仅限产品 1 和 2），而不是“特殊”产品
如果我执行以下操作：
result = soup.find_all('div', 'class': 'product')
结果包括所有产品（1、2、3 和 4）。
我应该怎么做才能找到类别与“产品”完全匹配的产品？？
我运行的代码：
from bs4 import BeautifulSoup
import re
text = """
<body>
<div class="product">Product 1</div>
<div class="product">Product 2</div>
<div class="product special">Product 3</div>
<div class="product special">Product 4</div>
</body>"""
soup = BeautifulSoup(text)
result = soup.findAll(attrs='class': re.compile(r"^product$"))
print result
输出：
[<div class="product">Product 1</div>, <div class="product">Product 2</div>, <div class="product special">Product 3</div>, <div class="product special">Product 4</div>]
【问题讨论】：
【参考方案1】：您可以解决此问题，并通过强制精确匹配仅捕获 Product 1 和 Product 2 与 gazpacho：
from gazpacho import Soup
html = """\
<body>
<div class="product">Product 1</div>
<div class="product">Product 2</div>
<div class="product special">Product 3</div>
<div class="product special">Product 4</div>
</body>
"""
soup = Soup(html)
divs = soup.find("div", "class": "product", partial=False)
[div.text for div in divs]
准确输出：
['Product 1', 'Product 2']
【讨论】：
【参考方案2】：更改您的代码
result = soup.findAll(attrs='class': re.compile(r"^product$"))
到
result = soup.find_all(attrs='class': 'product')
结果是一个列表，通过索引访问
【讨论】：
【参考方案3】：soup.findAll(attrs='class': re.compile(r"^product$"))
此代码匹配类末尾没有product 的任何内容。
【讨论】：
对不起，我看不出问题中的版本有什么不同，你能告诉我它是什么吗？【参考方案4】：您可以像这样使用 CSS 选择器：
result = soup.select('div.product.special')
css-selectors
【讨论】：
感谢您的回复，但我正在尝试查找“产品” div，而不是“产品特殊” div .... 使用 soup.select('div.product.special') 会返回“特殊”产品.. 糟糕，误读了您的问题。那么另一种方法是删除匹配“.product.special”的div，然后您可以安全地搜索“.product”而不会遇到其他人。 你不能在:not伪选择器上使用这种方法吗：div.product:not(.special)？【参考方案5】：
在 BeautifulSoup 4 中，class 属性（以及其他几个属性，例如accesskey 和表格单元格元素上的headers 属性）被视为一个集合；您匹配属性中列出的各个元素。这遵循 HTML 标准。
因此，您不能将搜索限制为仅一类。
您必须在此处使用 custom function 来匹配该类：
result = soup.find_all(lambda tag: tag.name == 'div' and
tag.get('class') == ['product'])
我使用lambda 创建了一个匿名函数；每个标签在名称上匹配（必须是'div'），并且类属性必须完全等于列表['product']；例如只有一个值。
演示：
>>> from bs4 import BeautifulSoup
>>> text = """
... <body>
... <div class="product">Product 1</div>
... <div class="product">Product 2</div>
... <div class="product special">Product 3</div>
... <div class="product special">Product 4</div>
... </body>"""
>>> soup = BeautifulSoup(text)
>>> soup.find_all(lambda tag: tag.name == 'div' and tag.get('class') == ['product'])
[<div class="product">Product 1</div>, <div class="product">Product 2</div>]
为了完整起见，这里是所有这些设置属性，来自 BeautifulSoup 源代码：
# The HTML standard defines these attributes as containing a
# space-separated list of values, not a single value. That is,
# class="foo bar" means that the 'class' attribute has two values,
# 'foo' and 'bar', not the single value 'foo bar'. When we
# encounter one of these attributes, we will parse its value into
# a list of values if possible. Upon output, the list will be
# converted back into a string.
cdata_list_attributes =
"*" : ['class', 'accesskey', 'dropzone'],
"a" : ['rel', 'rev'],
"link" : ['rel', 'rev'],
"td" : ["headers"],
"th" : ["headers"],
"td" : ["headers"],
"form" : ["accept-charset"],
"object" : ["archive"],
# These are HTML5 specific, as are *.accesskey and *.dropzone above.
"area" : ["rel"],
"icon" : ["sizes"],
"iframe" : ["sandbox"],
"output" : ["for"],
【讨论】：
终于找到了一个可行的解决方案！！我有两个要匹配的类，并且正在使用soup.find_all('div', 'class': ['class1','class2'])，但它也使用了只有class2 的divs。有了它，它正在做我所期望的。不知道为什么我使用的那个不起作用...以上是关于BeautifulSoup webscraping find_all()：找到完全匹配的主要内容，如果未能解决你的问题，请参考以下文章
Beautifulsoup webscraping - 从 <a> 标签中提取值
Selenium Webdriver / Beautifulsoup + Web Scraping + 错误 416
Webscraping - 试图提取一些数据，但陷入了最后的障碍
使用 BeautifulSoup 进行网页抓取（Google）[重复]