Python Beautiful Soup - 查找包含特殊字符的字符串答案

【问题标题】：Python Beautiful Soup - finding a string that contains special charactersPython Beautiful Soup - 查找包含特殊字符的字符串
【发布时间】：2022-07-16 23:15:08
【问题描述】：

这是我的代码：

soup = BeautifulSoup("<html><body>BLAR fff11 &pound; </body></html>", 'html.parser')
for z in soup.find_all(text=re.compile('&pound;')):
    print(z)

由于某种原因没有返回任何内容，但是如果我更改示例 html 和我的 find 语句中的特殊字符，它会起作用：

soup = BeautifulSoup("<html><body>BLAR fff11 pound </body></html>", 'html.parser')
for z in soup.find_all(text=re.compile('pound')):
    print(z)

输出为：BLAR fff11 磅

有谁知道我哪里出错了，以及如何找到带有特殊字符的字符串？

谢谢

【问题讨论】：

& 和 ; 可能是正则表达式中的特殊字符吗？至少，我会反斜杠他们
默认情况下，BeautifulSoup 会将您的输入 &pound; 转换为 £。如果您想更改此设置，请查看：beautiful-soup-4.readthedocs.io/en/latest/#output-formatters

标签： python beautifulsoup

【解决方案1】：

当您从 HTML 构造 BeautifulSoup 对象时，HTML 实体将转换为相应的 Unicode 字符。

因此，要搜索这样的字符，请使用字符本身，而不是其等效的 HTML 实体。在您的示例中使用 HTML，下面的代码...

from bs4 import BeautifulSoup
import re
soup = BeautifulSoup("<html><body>BLAR fff11 &pound; </body></html>", 'html.parser')
for z in soup.find_all(text=re.compile('£')):  # Actual '£' character, not '&pound;'
    print(z)

...打印：

BLAR fff11 £

在 BeautifulSoup 的 v3 中可以绕过这种转换，但在 v4 中则不行 ("An incoming HTML or XML entity is always converted into the corresponding Unicode character.")

如果您想在将 BeautifulSoup 对象转换为字符串时恢复 HTML 实体，specifying formatter="html" 仍然可以做到这一点。

【讨论】：