Beautifulsoup 过滤“find_all”结果，通过正则表达式限制为 .jpeg 文件答案

【问题标题】：Beautifulsoup filter "find_all" results, limited to .jpeg file via RegexBeautifulsoup 过滤“find_all”结果，通过正则表达式限制为 .jpeg 文件
【发布时间】：2019-08-22 04:37:01
【问题描述】：

我想从论坛获取一些图片。 find_all 结果给了我最想要的东西，它们是 jpeg 文件。然而，它也给了我一些我不想要的 gif 文件。另一个问题是gif文件是附件，不是有效链接，我保存文件时会引起麻烦。

soup_imgs = soup.find(name='div', attrs={'class':'t_msgfont'}).find_all('img', alt="")
for i in soup_imgs:
    src = i['src']
    print(src)

我试图在我的 find_all 选择搜索中避免使用 gif 文件，但没用，jpeg 和 gif 文件都在同一部分中。那我应该怎么做才能过滤我的结果呢？请给我一些帮助，酋长。我对编码非常业余。玩 Python 只是我的一个爱好。

【问题讨论】：

您能否提供示例输出和附加代码（如果需要，请提供一个虚拟站点 url）？另外，不知道细节，你试过简单的`if`条件过滤吗？

标签： python-3.x beautifulsoup python-requests jpeg gif

【解决方案1】：

您可以通过正则表达式对其进行过滤。请参考以下示例。希望对您有所帮助。

import re
from bs4 import BeautifulSoup

data='''<html>
<body>

<h2>List of images</h2>

<div class="t_msgfont">
<img src="img_chania.jpeg" alt="" width="460" height="345">
<img src="wrongname.gif" alt="">
<img src="img_girl.jpeg" alt="" width="500" height="600">
</div>
</body>
</html>'''

soup=BeautifulSoup(data, "html.parser")
soup_imgs = soup.find('div', attrs={'class':'t_msgfont'}).find_all('img', alt="" ,src=re.compile(".jpeg"))
for i in soup_imgs:
    src = i['src']
    print(src)

【讨论】：

src=re.compile(".jpeg") 成功了，强大！谢谢队友
很高兴为您提供帮助

【解决方案2】：

尝试以下我怀疑你可以缩短的方法。它使用以运算符（$）结尾来指定子 img 元素的 src 属性值以 .jpg 结尾（根据 OP 的注释，它实际上是 jpg，从 jpeg 编辑为 jpg）

srcs = [item['src'] for item in soup.select("div.t_msgfont img[alt=''][src$='.jpg']")]

看看缩短选择器（我不能不看到有问题的 HTML），你可能会得到类似的东西

srcs = [item['src'] for item in soup.select(".t_msgfont [alt=''][src$='.jpg']")]

甚至

srcs = [item['src'] for item in soup.select(".t_msgfont [src$='.jpg']")]

【讨论】：

我需要导入任何东西才能使用“$”吗？看来我的脚本一直给我无效的语法。
立即尝试。我没有将内部的 "" 更改为 ''
奇怪，它正在运行，但 [src$='.jpeg'] 没有结果，我检查了文件扩展名，它们是 jpg，当我去掉“e”时，语法错误。 ..
所以你得到了 srcs = [item['src'] for item in soup.select("div.t_msgfont img[alt=''][src$='.jpg'] 的错误")]
试试上面的方法，也试试 srcs = [item['src'] for item in soup.select(".t_msgfont [src$='jpg']")]

【解决方案3】：

我建议您使用requests-html 来查找页面中的图像资源。与BeautifulSoup + requests 相比，它非常简单。

这是执行此操作的代码。

from requests_html import HTMLSession
session = HTMLSession()
resp = session.get(url)
for i in resp.html.absolute_links:
    if i.endswith('.jpeg'):
        print(i)

【讨论】：

谢谢大佬，我会调查的。作为业余爱好者，我有很多需要修改的代码。