Question

我一直在尝试使用BeautifulSoup来检索包含以下单词的任何格式的任何<li>元素：Ottawa。问题是ottawa永远不会出现在<p>的标签内。所以我只想打印包含li的<{1}}元素。

HTML格式如下：

Ottawa

我的代码如下：

<html>
<body>
<blockquote>
<ul><li><a href="http://link.com"><b>name</b></a>
(National: Ottawa, ON)
<blockquote> some description </blockquote></li>
<li><a href="http://link2.com"><b>name</b></a>
(National: Vancouver, BC)
<blockquote> some description </blockquote></li>
<li><a href="http://link3.com"><b>name</b></a>
(Local: Ottawa, ON)
<blockquote> some description </blockquote></li>
</ul>
</blockquote>
</body>
</html>

上面代码的结果正确地找到了渥太华，并且在使用它来查找from bs4 import BeautifulSoup import re import urllib2,sys url = "http://www.charityvillage.ca/cv/nonpr/nonpr1.html" html = urllib2.urlopen(url).read() soup = BeautifulSoup(html) re1='.*?' re2='(Ottawa)' ottawa = soup.findAll(text=re.compile(re1+re2,re.IGNORECASE|re.DOTALL)) search = soup.findAll('li')元素时，它确实找到了li元素，但它给了我页面上的每一个元素。

我了解到他们目前没有在li

中尝试search = soup.findAll('li', text=re.compile(re1+re2,re.IGNORECASE|re.DOTALL))结果

我的最终目标基本上是获取包含[]任何提及的每个<li>元素，并为我提供包含名称，说明，链接等的整个Ottawa元素。

Answer 1

使用 text 属性过滤 findAll 的结果：

elems = [elem for elem in soup.findAll('li') if 'Ottawa' in str(elem.text)]

Answer 2

from bs4 import BeautifulSoup
import re
import urllib2,sys

url = "http://www.charityvillage.ca/cv/nonpr/nonpr1.html"
html = urllib2.urlopen(url).read()
soup = BeautifulSoup(html)

for item in soup.find_all(text=re.compile('\(.+: Ottawa', re.IGNORECASE)):
    link = item.find_previous_sibling(lambda tag: tag.has_key('href'))
    if link is None:
        continue
    print(u'{} [{}]: {}'.format(link.text,
                               item.strip(),
                               link['href']).encode('utf8'))

使用BeautifulSoup根据其中包含的字符串提取li元素

2 个答案: