Beautiful Soup 的 Python 正则表达式

Question

我在用Beautiful Soup 拉出特定的div 标签，好像不能用 简单的字符串匹配。

页面有一些标签形式为

<div class="comment form new"...> 

我想忽略的，还有一些

形式的标签

<div class="comment comment-xxxx..."> 

其中 x 表示任意长度的整数，省略号表示任意数量的其他值，由空格分隔（我不关心）。我无法弄清楚 正确的正则表达式，特别是因为我从未使用过 python 的 re 类。

使用

soup.find_all(class_="comment") 

查找以单词comment 开头的所有标签。我试过使用

soup.find_all(class_=re.compile(r'(comment)( )(comment)'))
soup.find_all(class_=re.compile(r'comment comment.*'))

还有许多其他变体，但我认为我在这里遗漏了一些关于正则表达式或 match() 如何工作的明显内容。谁能帮帮我？

Answer 1

我想我明白了：

>>> [div['class'] for div in soup.find_all('div')]
[['comment', 'form', 'new'], ['comment', 'comment-xxxx...']]

请注意，与 BS3 中的等价物不同，它不是这样的：

['comment form new', 'comment comment-xxxx...']

这就是你的正则表达式不匹配的原因。

但你可以匹配，例如，这个：

>>> soup.find_all('div', class_=re.compile('comment-'))
[<div class="comment comment-xxxx..."></div>]

请注意，BS 相当于 re.search，而不是 re.match，因此您不需要 'comment-.*'。当然，如果你想匹配 'comment-12345' 而不是 'comment-of-another-kind，你会想要，例如 'comment-\d+'。