Question

我在Python中使用Beautiful Soup。

以下是一个示例网址：

http://www.locationary.com/place/en/US/Ohio/Middletown/McDonald%27s-p1013254580.jsp

在HTML中，有一堆标签，我可以指定哪些标签的唯一方法是使用他们的ID。我唯一想要找的是电话号码。标签看起来像这样：

<td class="dispTxt" id="value_xxx_c_1_f_8_a_134242498">5134231582</td>

我已经访问了同一网站上的其他网址，并且每次都找到了几乎相同的电话号码标识。始终保持不变的部分是：

'value_xxx_c_1_f_8_a_'

然而，之后的数字总是会改变。有没有办法可以告诉Beautiful Soup寻找id的一部分并匹配它，让其他部分成为正则表达式的数字呢？

另外，一旦我拿到了标签，我就想知道......如何在不使用正则表达式的情况下提取电话号码？我不知道Beautiful Soup是否可以做到这一点，但它可能比正则表达式更简单。

Answer 1

您可以使用正则表达式（此示例匹配标记名称，您需要调整它以使其匹配元素的ID）：

import re
for tag in soup.find_all(re.compile("^value_xxx_c_1_f_8_a_")):
    print(tag.name)

Answer 2

了解您的文档

http://www.crummy.com/software/BeautifulSoup/bs3/documentation.html

soup.findAll(id=re.compile("para$"))
# [<p id="firstpara" align="center">This is paragraph <b>one</b>.</p>,
#  <p id="secondpara" align="blah">This is paragraph <b>two</b>.</p>]

Answer 3

您可以在此处使用CSS Selectors来匹配属性值前缀：

soup.select('div[id^="value_xxx_c_1_f_8_a_"]')

这只会将<div>个标签与id属性匹配，该属性以字符串value_xxx_c_1_f_8_a_开头。

如果您愿意切换到lxml，可以使用XPath 1.0表达式来查找这些：

from lxml import etree
doc = etree.parse(openfile)
for elem in doc.xpath('//div[starts-with(@id, "value_xxx_c_1_f_8_a_")]'):
    print elem.text

使用lxml XPath表达式将比使用BeautifulSoup正则表达式匹配快一个数量级。

Answer 4

要获取电话号码，您可以使用.text属性。

tag = soup.find("foo") 
phone_number = tag.text

如何使用Beautiful Soup查找更改ID的标签？

4 个答案: