BeautifulSoup Mit einem HTML-Tag zu finden, die einen bestimmten Text enthält

Question

Ich versuche, die Elemente in einem HTML-Dokument zu erhalten, die das folgende Muster von Text enthalten: # \ S {11}

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

Also, die

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

Und die Ergebnisse wären so etwas wie:

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

ich bin in der Lage zu bekommen alle den Text, den m vorherige unter Verwendung würde passen atches (siehe Zeile oben). Aber ich möchte, dass das Elternelement des Textes übereinstimmt, also kann ich das als Ausgangspunkt für das Durchlaufen des Dokumentenbaums verwenden. In diesem Fall möchte ich, dass alle h2-Elemente zurückgegeben werden, nicht die Textübereinstimmungen.

Ideen?

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 

Drucke:

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

Answer 2

BeautifulSoup Suchoperationen liefern [Liste] BeautifulSoup.NavigableString Objekte, wenn text= als Kriterium verwendet wird, wie in anderen Fällen zu BeautifulSoup.Tag gegenüber. Überprüfen Sie die __dict__ des Objekts, um die Attribute zu sehen, die Ihnen zur Verfügung gestellt werden. Von diesen Attributen ist parent gegenüber previous wegen changes in BS4 bevorzugt.

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

Mit BS4 (Schöne Suppe 4), der Versuch des OP funktioniert genau wie erwartet:

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

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