我正在使用Python和BeautifulSoup进行网页抓取。
假设我有以下 html 代码要抓取:
<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>
使用美丽汤,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$")})
print result
输出:
[<div class="product">Product 1</div>, <div class="product">Product 2</div>, <div class="product special">Product 3</div>, <div class="product special">Product 4</div>]
在 BeautifulSoup 4 中,class
属性(以及其他几个属性,如 accesskey
和表单元格元素上的 headers
属性)被视为一个集合;您可以与属性中列出的各个元素进行匹配。这遵循 HTML 标准。
因此,不能将搜索限制为仅一个类。
您必须在此处使用自定义函数来与类进行匹配:
result = soup.find_all(lambda tag: tag.name == 'div' and
tag.get('class') == ['product'])
我使用了一个lambda
来创建一个匿名函数;每个标签在名称上匹配(必须'div'
),并且class属性必须与列表['product']
完全相等;例如,只有一个值。
演示:
>>> from bs4 import BeautifulSoup
>>> text = """
... <body>
... <div class="product">Product 1</div>
... <div class="product">Product 2</div>
... <div class="product special">Product 3</div>
... <div class="product special">Product 4</div>
... </body>"""
>>> soup = BeautifulSoup(text)
>>> soup.find_all(lambda tag: tag.name == 'div' and tag.get('class') == ['product'])
[<div class="product">Product 1</div>, <div class="product">Product 2</div>]
为了完整起见,以下是来自BeautifulSoup源代码的所有此类设置属性:
# The HTML standard defines these attributes as containing a
# space-separated list of values, not a single value. That is,
# class="foo bar" means that the 'class' attribute has two values,
# 'foo' and 'bar', not the single value 'foo bar'. When we
# encounter one of these attributes, we will parse its value into
# a list of values if possible. Upon output, the list will be
# converted back into a string.
cdata_list_attributes = {
"*" : ['class', 'accesskey', 'dropzone'],
"a" : ['rel', 'rev'],
"link" : ['rel', 'rev'],
"td" : ["headers"],
"th" : ["headers"],
"td" : ["headers"],
"form" : ["accept-charset"],
"object" : ["archive"],
# These are HTML5 specific, as are *.accesskey and *.dropzone above.
"area" : ["rel"],
"icon" : ["sizes"],
"iframe" : ["sandbox"],
"output" : ["for"],
}
你可以像这样使用CSS选择器:
result = soup.select('div.product.special')
CSS 选择器
soup.findAll(attrs={'class': re.compile(r"^product$")})
此代码匹配在其类末尾没有product
的任何内容。
您可以通过强制执行精确匹配来解决此问题,并使用西班牙凉菜汤仅捕获产品 1 和产品 2:
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]
输出准确:
['Product 1', 'Product 2']
将代码从
result = soup.findAll(attrs={'class': re.compile(r"^product$")})
自
result = soup.find_all(attrs={'class': 'product'})
结果是一个列表并通过索引访问