#!/usr/bin/env python
# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup
import re
doc = "<div>Text text <span class='_ _3'>empty</span> text</div>"
soup = BeautifulSoup(doc)
for span in soup.find_all('span' , class_=re.compile("_\s_[0-9]+")) :
span.decompose()
需要找到所有带<span class=_ _\d+>的标签并从 DOM 中移除。但是由于某种原因,这段代码无法正常工作!
请您参考如下方法:
BeautifulSoup 将类拆分成列表;正则表达式不会匹配多个类。 class 是一组这样的属性之一,参见 Multi-valued attributes .
您必须使用自定义函数来使用正则表达式过滤多个类:
def underscored_class_span(elem, numbered=re.compile(u'_\d').match):
if elem.name != 'span': return False
classes = elem.get('class', [])
return u'_' in classes and any(numbered(c) for c in classes)
for span in soup.find_all(underscored_class_span):
span.decompose()
