Python的爬虫包Beautiful Soup中用正则表达式来搜索_程序人生

admin

2023-07-31 02:33:51

0次

Beautiful Soup使用时，一般可以通过指定对应的name和attrs去搜索，特定的名字和属性，以找到所需要的部分的html代码。

但是，有时候，会遇到，对于要处理的内容中，其name或attr的值，有多种可能，尤其是符合某一规律，此时，就无法写成固定的值了。

所以，就可以借助正则表达式来解决此问题。
比如，


    crifan

对应的BeautifulSoup代码如下：

h1userSoup = soup.find(name=\"h1\", attrs={\"class\":\"h1user\"});

而如果html是这种：


    crifan
    crifan 123
    crifan 456

那么想要一次性地找到所有的，符合条件的h1的部分的代码，则之前的写法，就只能找到单个的class=\”h1user\”的部分，剩下的两个

class=\"h1user test1\"

和

class=\"h1user test2\"

就找不到了。

那么，此时，就可以用到，BeautifulSoup中非常好用的，非常强大的功能：

attrs中支持正则表达式的写法

了。

就可以写成：

h1userSoupList = soup.findAll(name=\"h1\", attrs={\"class\":re.compile(r\"h1user(\\s\\w+)?\")});

就可以一次性地，找到：

class=\"h1user\"

class=\"h1user test1\"

class=\"h1user test2\"

了。

之类的标签，xxx的内容未知（可变）的前提下

想要查找到对应的此div标签，之前不知道如何实现。
如果写成：

sopu.findAll(\"div\", attrs={\"aria-lable\": \"xxx\"});

则xxx必须写出来，如果不写出来属性值，也就没法用上attrs了，就没法实现此处查找特性属性值的标签了。
所以针对：

可以通过：

soup.findAll(\"div\", attrs={\"aria-lable\": True});

去查找到属性包含aria-lable的div标签的。

所以，对于上面的，之前不知道如何处理：

用BeautifulSoup查找未知属性值，但是已知属性的名字的标签

则此处，就可以针对：

去用：

sopu.findAll(\"div\", attrs={\"aria-lable\": True});

就可以查找到对应的包含属性aria-lable的div标签了。

python BeautifulSoup 搜索正则表达式爬虫

crifan