从 beautifulsoup 元素中提取原始字符串位置

Posted 2023-02-23

【中文标题】从 beautifulsoup 元素中提取原始字符串位置

【英文标题】：Extract original string position from beautifulsoup element

【发布时间】：2018-06-22 04:14:56

【问题描述】：

当使用beautifulsoup 解析长而复杂的 html 文档时，获取原始字符串中匹配元素的确切位置有时会很有用。我不能简单地搜索字符串，因为可能有多个匹配元素，我会失去 bs4 解析 DOM 的能力。鉴于这个最小的工作示例：

import bs4

html = "<div><b>Hello</b>  <i>World</i></div>"
soup = bs4.BeautifulSoup(html,'lxml')

# Returns 22
print html.find("World")

# How to get this to return 22?
print soup.find("i", text="World")

如何让bs4提取的元素返回22？

【问题讨论】：

可能感兴趣：Get position/line number - Implemented?，以及 SO Q&A Obtaining position info when parsing HTML in Python

【参考方案1】：

我了解您的问题是“世界”可能被多次写入，但您想获得特定事件的位置（您不知何故知道如何识别）。

您可以使用此解决方法。我敢打赌有更优雅的解决方案，但这应该可以：

鉴于此 html：

import bs4

html = """<div><b>Hello</b>  <i>World</i></div>
          <div><b>Hello</b>  <i>Foo World</i></div>
          <div><b>Hello</b>  <i>Bar World</i></div>"""

soup = bs4.BeautifulSoup(html,'lxml')

如果我们想获得Foo World出现的位置，我们可以：

获取标签 引入一些我们知道它在 html 的其余部分中不存在的唯一字符串

获取我们添加的字符串的位置

import bs4

html = """<div><b>Hello</b>  <i>World</i></div>
          <div><b>Hello</b>  <i>Foo World</i></div>
          <div><b>Hello</b>  <i>Bar World</i></div>"""

soup = bs4.BeautifulSoup(html,'html.parser')

#1
desired_tag = soup.find("i", text="Foo World")
#2
desired_tag.insert(0, "some_unique_string")

print(str(soup))
"""
Will show:
<div><b>Hello</b> <i>World</i></div>
<div><b>Hello</b> <i>some_unique_stringFoo World</i></div>
<div><b>Hello</b> <i>Bar World</i></div>
"""

#3   
print(str(soup).find("some_unique_string"))
"""
58
"""