Usando BeautifulSoup para encontrar uma tag HTML que contém determinado texto

Question

Eu estou tentando obter os elementos em um doc HTML que contêm o seguinte padrão de texto: # \ S {11}

<h2> this is cool #12345678901 </h2>

Assim, o anterior iria corresponder usando:

soup('h2',text=re.compile(r' #\S{11}'))

E o resultado seria algo como:

[u'blahblah #223409823523', u'thisisinteresting #293845023984']

eu sou capaz de obter todo o texto que partidas (veja a linha acima). Mas eu quero o elemento pai do texto para corresponder, para que eu possa usar isso como um ponto de partida para percorrer a árvore documento. Neste caso, eu quero todos os elementos h2 para voltar, e não os jogos de texto.

Idéias?

Answer 1

from BeautifulSoup import BeautifulSoup
import re

html_text = """
<h2>this is cool #12345678901</h2>
<h2>this is nothing</h2>
<h1>foo #126666678901</h1>
<h2>this is interesting #126666678901</h2>
<h2>this is blah #124445678901</h2>
"""

soup = BeautifulSoup(html_text)


for elem in soup(text=re.compile(r' #\S{11}')):
    print elem.parent

Prints:

<h2>this is cool #12345678901</h2>
<h2>this is interesting #126666678901</h2>
<h2>this is blah #124445678901</h2>

Answer 2

operações de busca BeautifulSoup entregar [a lista de] BeautifulSoup.NavigableString objetos quando text= é usada como critério em oposição a BeautifulSoup.Tag em outros casos. Verifique __dict__ do objeto para ver os atributos disponibilizados para você. Desses atributos, parent é favorecido sobre previous por causa muda em BS4 .

from BeautifulSoup import BeautifulSoup
from pprint import pprint
import re

html_text = """
<h2>this is cool #12345678901</h2>
<h2>this is nothing</h2>
<h2>this is interesting #126666678901</h2>
<h2>this is blah #124445678901</h2>
"""

soup = BeautifulSoup(html_text)

# Even though the OP was not looking for 'cool', it's more understandable to work with item zero.
pattern = re.compile(r'cool')

pprint(soup.find(text=pattern).__dict__)
#>> {'next': u'\n',
#>>  'nextSibling': None,
#>>  'parent': <h2>this is cool #12345678901</h2>,
#>>  'previous': <h2>this is cool #12345678901</h2>,
#>>  'previousSibling': None}

print soup.find('h2')
#>> <h2>this is cool #12345678901</h2>
print soup.find('h2', text=pattern)
#>> this is cool #12345678901
print soup.find('h2', text=pattern).parent
#>> <h2>this is cool #12345678901</h2>
print soup.find('h2', text=pattern) == soup.find('h2')
#>> False
print soup.find('h2', text=pattern) == soup.find('h2').text
#>> True
print soup.find('h2', text=pattern).parent == soup.find('h2')
#>> True

Answer 3

Com BS4 (Bela Soup 4), a tentativa do OP funciona exatamente como o esperado:

from bs4 import BeautifulSoup
soup = BeautifulSoup("<h2> this is cool #12345678901 </h2>")
soup('h2',text=re.compile(r' #\S{11}'))

retornos [<h2> this is cool #12345678901 </h2>].