BeautifulSoup verwenden, um HTML nach Zeichenfolgen zu durchsuchen

Ich bin mit BeautifulSoup zu suchen Benutzer eingegebene strings auf eine bestimmte Seite.
Zum Beispiel, ich möchte, um zu sehen, wenn der string 'Python' befindet sich auf der Seite: http://python.org

Wenn ich verwendet:
find_string = soup.body.findAll(text='Python')
find_string zurückgegeben []

Aber wenn ich verwendet:
find_string = soup.body.findAll(text=re.compile('Python'), limit=1)
find_string zurückgegeben [u'Python Jobs'] wie erwartet

Was ist der Unterschied zwischen diesen beiden Aussagen, dass macht die zweite Anweisung arbeiten, wenn es mehr als ein vorkommen des Wortes gesucht werden

InformationsquelleAutor der Frage kachilous | 2012-01-20

  1. 35

    Folgende Zeile suchen für die genaue NavigableString 'Python':

    >>> soup.body.findAll(text='Python')
[]

    Beachten Sie, dass die folgenden NavigableString gefunden:

    >>> soup.body.findAll(text='Python Jobs') 
[u'Python Jobs']

    Hinweis: dieses Verhalten:

    >>> import re
>>> soup.body.findAll(text=re.compile('^Python$'))
[]

    Also deine regexp auf der Suche nach einem auftreten von 'Python' nicht die exakte übereinstimmung der NavigableString 'Python'.

    InformationsquelleAutor der Antwort sgallen

  2. 17

    text='Python' sucht nach Elementen, die den genauen text, den Sie zur Verfügung gestellt:

    import re
from BeautifulSoup import BeautifulSoup

html = """<p>exact text</p>
   <p>almost exact text</p>"""
soup = BeautifulSoup(html)
print soup(text='exact text')
print soup(text=re.compile('exact text'))

    - Ausgang

    [u'exact text']
[u'exact text', u'almost exact text']

    "Um zu sehen, ob der string 'Python' befindet sich auf der Seite http://python.org":

    import urllib2
html = urllib2.urlopen('http://python.org').read()
print 'Python' in html # -> True

    Wenn Sie brauchen, um die position der Teilzeichenfolge innerhalb einer Zeichenfolge, die Sie tun könnten html.find('Python').

    InformationsquelleAutor der Antwort jfs

  3. 1

    Habe ich nicht verwendet BeuatifulSoup aber vielleicht sind die folgenden können helfen, in einigen kleinen Weg.

    import re
import urllib2
stuff = urllib2.urlopen(your_url_goes_here).read()  # stuff will contain the *entire* page

# Replace the string Python with your desired regex
results = re.findall('(Python)',stuff)

for i in results:
    print i

    Ich bin nicht dafür, dies ist ein Ersatz-aber vielleicht haben Sie Lesen können, einige Wert in das Konzept, bis eine direkte Antwort kommt.

    InformationsquelleAutor der Antwort Bit Bucket

Schreibe einen Kommentar