如何在 bs4 中对 find_all() 的标签进行部分调节？

Question

我有一个 xml，它有多个标签，如下所示：

<textblock height="55" hpos="143" id="Page1_Block5" lang="en-US" stylerefs="StyleId-E6BF91A3-3D6A-442F-9A46-22A0459A02E9- font1" vpos="226" width="393">

我想获取由页面聚集的所有<textblock> 标记（textblock 标记中的id 属性）。但是，我的id是这样写的：id="Page1_Block5"。

但是，我只想以页码而不是块号为条件。 （我想要特定页面的所有块）。

我正在尝试通过以下方式做同样的事情：

xml_soup = bs.BeautifulSoup(table, 'lxml')

text_blocks = xml_soup.find_all('textblock')

我还需要在find_all() 函数中添加哪些参数才能仅根据Page{} 调整结果？

Answer 1

这应该对你有帮助：

text_blocks = xml_soup.find_all('textblock', id = lambda value: value and value.startswith("Page1"))

这是我的全部代码：

from bs4 import BeautifulSoup

xml = """
<textblock height="55" hpos="143" id="Page1_Block5" lang="en-US" stylerefs="StyleId-E6BF91A3-3D6A-442F-9A46-22A0459A02E9- font1" vpos="226" width="393">
"""

xml_soup = BeautifulSoup(xml,'lxml')

text_blocks = xml_soup.find_all('textblock', id = lambda value: value and value.startswith("Page1"))

说明：

lambda 函数检查id 是否以Page1 开头。如果是，则它检索标签。我还向xml 变量添加了更多值。这是我使用的测试数据：

xml = """
<textblock height="55" hpos="143" id="Page1_Block5" lang="en-US" stylerefs="StyleId-E6BF91A3-3D6A-442F-9A46-22A0459A02E9- font1" vpos="226" width="393">
<textblock height="55" hpos="143" id="Page1_Block4" lang="en-US" stylerefs="StyleId-E6BF91A3-3D6A-442F-9A46-22A0459A02E9- font1" vpos="226" width="393">
<textblock height="55" hpos="143" id="Page2_Block5" lang="en-US" stylerefs="StyleId-E6BF91A3-3D6A-442F-9A46-22A0459A02E9- font1" vpos="226" width="393">
<textblock height="55" hpos="143" id="Page1_Block1" lang="en-US" stylerefs="StyleId-E6BF91A3-3D6A-442F-9A46-22A0459A02E9- font1" vpos="226" width="393">
"""

如您所见，有 3 个textblock 标签，其中id 以Page1 开头。当我使用这个测试数据运行我的代码并打印出变量 text_blocks 的长度时，这是我得到的输出：

>>> len(text_blocks)
3

这表明代码有效！希望这会有所帮助！

P.S：U 可以参考this 链接以获取有关提取具有以特定字符串开头的id 元素的更多详细信息。