在按复合类名称搜索时,BeautifulSoup返回空列表

Question

使用正则表达式按复合类名称搜索时,BeautifulSoup返回空列表.

例:

import re
from bs4 import BeautifulSoup

bs = 
    """
    <a class="name-single name692" href="www.example.com"">Example Text</a>
    """

bsObj = BeautifulSoup(bs)

# this returns the class
found_elements = bsObj.find_all("a", class_= re.compile("^(name-single.*)$"))

# this returns an empty list
found_elements = bsObj.find_all("a", class_= re.compile("^(name-single name\d*)$"))

我需要课程选择非常精确.有任何想法吗？

Answer 1

不幸的是，当您尝试对包含多个类的类属性值进行正则表达式匹配时，BeautifulSoup会将正则表达式分别应用于每个类。以下是有关该问题的相关主题：

• Beautiful Soup 的 Python 正则表达式
• 多个 CSS 类搜索不方便

这都是因为class是一个非常特殊的多值属性，每次解析 HTML 时，其中一个 的BeautifulSoup树构建器（取决于解析器的选择）会在内部将类字符串值拆分为类列表（引用自HTMLTreeBuilder的文档字符串）：

# 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.

有多种解决方法，但这是一种黑客式的解决方法 - 我们将通过创建简单的自定义树构建器来要求BeautifulSoup不要将class其作为多值属性进行处理：

import re

from bs4 import BeautifulSoup
from bs4.builder._htmlparser import HTMLParserTreeBuilder


class MyBuilder(HTMLParserTreeBuilder):
    def __init__(self):
        super(MyBuilder, self).__init__()

        # BeautifulSoup, please don't treat "class" specially
        self.cdata_list_attributes["*"].remove("class")


bs = """<a class="name-single name692" href="www.example.com"">Example Text</a>"""
bsObj = BeautifulSoup(bs, "html.parser", builder=MyBuilder())
found_elements = bsObj.find_all("a", class_=re.compile(r"^name\-single name\d+$"))

print(found_elements)

在这种情况下，正则表达式将应用于class整个属性值。

或者，您可以在启用功能的情况下解析 HTML xml（如果适用）：

soup = BeautifulSoup(data, "xml")

您还可以使用CSS 选择器并将所有元素与name-single类以及以“name”开头的类匹配：

soup.select("a.name-single,a[class^=name]")

然后，您可以根据需要手动应用正则表达式：

pattern = re.compile(r"^name-single name\d+$")
for elm in bsObj.select("a.name-single,a[class^=name]"):
    match = pattern.match(" ".join(elm["class"]))
    if match:
        print(elm)