使用 BeautifulSoup 按 id 解析答案

【问题标题】：Using BeautifulSoup to parse by id使用 BeautifulSoup 按 id 解析
【发布时间】：2016-02-04 03:23:58
【问题描述】：

在 BeautifulSoup 中，bs4 版本的文档http://www.crummy.com/software/BeautifulSoup/bs4/doc/

列出了一个 HTML 文档：

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

我们经常使用提取所有链接，例如

for link in soup.find_all('a'):
    print(link.get('href'))

输出

http://example.com/elsie
http://example.com/lacie
http://example.com/tillie

在 HTML 文档本身中，这些链接列在“姐妹”类下，并带有 id 标记，

<a class="sister" href="http://example.com/elsie" id="link1">
<a class="sister" href="http://example.com/lacie" id="link2">
<a class="sister" href="http://example.com/tillie" id="link3">

在实际网站中，我注意到这些id 标签通常是数字列表，例如id="1"。有没有办法单独使用 id 标签来解析 HTML 文档？这样做的首选方法是什么？

首先，你可以获得类“姐妹”中的所有标签，即

soup.find_all(class_="sister")

然后呢？

【问题讨论】：

标签： python html beautifulsoup html-parsing

【解决方案1】：

如果你想用find_all()解决它，你可以使用正则表达式或函数：

soup.find_all("a", id=re.compile(r"^link\d+$")  # id starts with 'link' followed by one or more digits at the end of the value
soup.find_all("a", id=lambda value: value and value.startswith("link"))  # id starts with 'link'

或者，您可以使用 CSS 选择器：

soup.select("a[id^=link]")  # id starts with 'link'

【讨论】：

@alexce 我遇到的一个问题是，如果我使用正则表达式，它会返回所有以我的正则表达式开头的 id。假设我只想找到一个特定的链接，link3。我这样做多少？ soup.find_all("a", id=re.compile(r"^link\d+$") 返回以“link”开头的所有内容
@ShanZhengYang 好吧，如果你只需要link3，正则表达式中不需要：soup.find_all("a", id="link3")。
@alexce 当然，或者soup.find_all( id = "link3")。谢谢