Skip to main content
 首页 » 编程设计

python之find_all 没有在混合内容中找到文本

2025年05月04日7davidwang456

我有一些使用 BeautifulSoup 的 Python 屏幕抓取代码,这让我很头疼。对 html 的一个小改动使我的代码中断,但我不明白为什么它无法工作。这基本上是 html 在解析时的外观演示:

soup=BeautifulSoup(""" 
<td> 
    <a href="https://alink.com"> 
        Foo Some text Bar 
    </a> 
</td> 
""") 
links = soup.find_all('a',text=re.compile('Some text')) 
links[0]['href'] # => "https://alink.com" 

升级后,a 标签体现在包含一个 img 标签,这使得代码中断。

<td> 
    <a href="https://alink.com"> 
        <img src="dummy.gif" > 
        Foo Some text Bar 
    </a> 
</td> 

“链接”现在是一个空列表,所以正则表达式没有找到任何东西。 我通过单独匹配文本来破解它,然后找到 它的父级,但这似乎更脆弱:

links = soup.find_all(text=re.compile('Some text')) 
links[0].parent['href'] # => "https://alink.com" 

什么是添加img标签作为文本的兄弟 内容打破了 BeautifulSoup 所做的搜索,并且在那里 一种修改第一个代码的方法?

请您参考如下方法:

区别在于第二个例子有一个不完整的 img 标签:

应该是

<img src="dummy.gif" /> 
Foo Some text Bar 

或

<img src="dummy.gif" > </img> 
Foo Some text Bar 

相反,它被解析为

<img src="dummy.gif" > 
Foo Some text Bar 
</img> 

所以找到的元素不再是a,而是img,它的父元素是a。