如何在 HTML 文档中查找字符串，忽略空格？答案

【问题标题】：How to find a string in a HTML document, ignoring whitespace?如何在 HTML 文档中查找字符串，忽略空格？
【发布时间】：2013-08-21 19:26:31
【问题描述】：

我正在尝试在多个 HTML 页面中查找字符串“USB 2 端口”。问题是字符串前面有大量空白 - 有时是 4、20 甚至 50 个空白字符。

以下内容适用于我的字符串前面的单个空格字符：

soup.find(text=' USB 2 ports')

注意USB前面的单个空格。

如何让 Beautiful Soup 的 find() 在忽略所有前面的空格的情况下找到我的字符串？

【问题讨论】：

标签： python html-parsing beautifulsoup

【解决方案1】：

您可以定义 regular expression 来搜索文本，而不考虑前导和尾随空格：

import re
pattern = re.compile(r'\s*%s\s*' % 'USB 2 ports')
result = soup.find(text=pattern)

例如：

>>> soup = BeautifulSoup("""
... <html>
...   <body>
...     <ul>
...       <li>
...         USB 2 ports
...       </li>
...       <li>
...         Firewire ports
...       </li>
...       <li>
...         HDMI ports
...       </li>
...     </ul>
...   </body>
... </html>
... """)
>>> import re
>>> pattern = re.compile(r'\s*%s\s*' % 'USB 2 ports')
>>> soup.find(text=pattern)
u'\n        USB 2 ports\n      '

编辑：我更改了上面的代码，将soup.find() 的结果显式分配给一个变量，希望能更清楚地了解发生了什么。为了清楚起见，我最初在您的示例代码之后对我的答案中的代码进行了建模，但我现在怀疑您可能对该代码的实际作用有些困惑。

【讨论】：

由于某种原因，这没有返回，我尝试使用另一个字符串值，当我尝试打印模式时，我在 0x00000000028C2C50> 处得到 <_sre.sre_pattern>
@Ninja2k 我认为您的代码肯定还有其他问题；它非常适合我（我在上面添加的演示是 Python 2.7.3 解释器的直接复制粘贴）。
另外：是的，当你打印pattern 时你会得到它，因为它是一个正则表达式模式。 soup.find(text=pattern) 的返回值就是结果。
啊是的，是的，我需要使它等于一个变量并打印它的结果。现在我看到它有效，完美。