BeautifulSoup webscraping find_all()：找到完全匹配答案

【问题标题】：BeautifulSoup webscraping find_all( ): finding exact matchBeautifulSoup webscraping find_all()：找到完全匹配
【发布时间】：2014-05-08 17:49:54
【问题描述】：

我正在使用 Python 和 BeautifulSoup 进行网页抓取。

假设我要抓取以下 html 代码：

<body>
    <div class="product">Product 1</div>
    <div class="product">Product 2</div>
    <div class="product special">Product 3</div>
    <div class="product special">Product 4</div>
</body>

使用 BeautifulSoup，我只想找到属性为 class="product" 的产品（仅限产品 1 和 2），而不是“特殊”产品

如果我执行以下操作：

result = soup.find_all('div', {'class': 'product'})

结果包括所有产品（1、2、3 和 4）。

我应该怎么做才能找到类别与“产品”完全匹配的产品？？

我运行的代码：

from bs4 import BeautifulSoup
import re

text = """
<body>
    <div class="product">Product 1</div>
    <div class="product">Product 2</div>
    <div class="product special">Product 3</div>
    <div class="product special">Product 4</div>
</body>"""

soup = BeautifulSoup(text)
result = soup.findAll(attrs={'class': re.compile(r"^product$")})
print result

输出：

[<div class="product">Product 1</div>, <div class="product">Product 2</div>, <div class="product special">Product 3</div>, <div class="product special">Product 4</div>]

【问题讨论】：

标签： python html regex web-scraping beautifulsoup

【解决方案1】：

您可以解决此问题，并通过强制精确匹配仅捕获 Product 1 和 Product 2 与 gazpacho：

from gazpacho import Soup

html = """\
<body>
    <div class="product">Product 1</div>
    <div class="product">Product 2</div>
    <div class="product special">Product 3</div>
    <div class="product special">Product 4</div>
</body>
"""

soup = Soup(html)
divs = soup.find("div", {"class": "product"}, partial=False)
[div.text for div in divs]

准确输出：

['Product 1', 'Product 2']

【讨论】：

【解决方案2】：

更改您的代码

result = soup.findAll(attrs={'class': re.compile(r"^product$")})

到

result = soup.find_all(attrs={'class': 'product'})

结果是一个列表，通过索引访问

【讨论】：

【解决方案3】：

soup.findAll(attrs={'class': re.compile(r"^product$")})

此代码匹配类末尾没有product 的任何内容。

【讨论】：

对不起，我看不出问题中的版本有什么不同，你能告诉我它是什么吗？

【解决方案4】：

您可以像这样使用 CSS 选择器：

result = soup.select('div.product.special')

css-selectors

【讨论】：

感谢您的回复，但我正在尝试查找“产品” div，而不是“产品特殊” div .... 使用 soup.select('div.product.special') 会返回“特殊”产品..
糟糕，误读了您的问题。那么另一种方法是删除匹配“.product.special”的div，然后您可以安全地搜索“.product”而不会遇到其他人。
你不能在:not伪选择器上使用这种方法吗：div.product:not(.special)？

【解决方案5】：

在 BeautifulSoup 4 中，class 属性（以及其他几个属性，例如accesskey 和表格单元格元素上的headers 属性）被视为一个集合；您匹配属性中列出的各个元素。这遵循 HTML 标准。

因此，您不能将搜索限制为仅一类。

您必须在此处使用 custom function 来匹配该类：

result = soup.find_all(lambda tag: tag.name == 'div' and 
                                   tag.get('class') == ['product'])

我使用lambda 创建了一个匿名函数；每个标签在名称上匹配（必须是'div'），并且类属性必须完全等于列表['product']；例如只有一个值。

演示：

>>> from bs4 import BeautifulSoup
>>> text = """
... <body>
...     <div class="product">Product 1</div>
...     <div class="product">Product 2</div>
...     <div class="product special">Product 3</div>
...     <div class="product special">Product 4</div>
... </body>"""
>>> soup = BeautifulSoup(text)
>>> soup.find_all(lambda tag: tag.name == 'div' and tag.get('class') == ['product'])
[<div class="product">Product 1</div>, <div class="product">Product 2</div>]

为了完整起见，这里是所有这些设置属性，来自 BeautifulSoup 源代码：

# 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.
cdata_list_attributes = {
    "*" : ['class', 'accesskey', 'dropzone'],
    "a" : ['rel', 'rev'],
    "link" :  ['rel', 'rev'],
    "td" : ["headers"],
    "th" : ["headers"],
    "td" : ["headers"],
    "form" : ["accept-charset"],
    "object" : ["archive"],

    # These are HTML5 specific, as are *.accesskey and *.dropzone above.
    "area" : ["rel"],
    "icon" : ["sizes"],
    "iframe" : ["sandbox"],
    "output" : ["for"],
    }

【讨论】：

终于找到了一个可行的解决方案！！我有两个要匹配的类，并且正在使用soup.find_all('div', {'class': ['class1','class2']})，但它也使用了只有class2 的divs。有了它，它正在做我所期望的。不知道为什么我使用的那个不起作用...