美丽的汤和搜索结果

Question

这些是我使用python的第一步，请多多包涵。

基本上，我想用美丽的汤从一个Dokuwiki页面解析一个目录。 TOC如下所示：

<div id="dw__toc">
<h3 class="toggle">Table of Contents</h3>
<div>

<ul class="toc">
<li class="level1"><div class="li"><a href="#section">#</a></div>
<ul class="toc">
<li class="level2"><div class="li"><a href="#link1">One</a></div></li>
<li class="level2"><div class="li"><a href="#link2">Two</a></div></li>
<li class="level2"><div class="li"><a href="#link3">Three</a></div></li>

我希望能够搜索a标签的内容，如果找到结果，则返回其内容并返回href链接。 因此，如果我搜索“一个”，结果应该是

One
#link1

到目前为止，我所做的是：

#!/usr/bin/python2

from BeautifulSoup import BeautifulSoup
import urllib2


#Grab and open URL, create BeatifulSoup object
url = "http://www.somewiki.at/wiki/doku.php"
page = urllib2.urlopen(url)
soup = BeautifulSoup(page.read())
#Grab Table of Contents
grab_toc = soup.find('div', {"id":"dw__toc"})

#Look for all divs with class: li
ftext = grab_toc.findAll('div', {"class":"li"})
#Look for links
links = grab_toc.findAll('a',href=True)

#Iterate
for everytext in ftext:
    text = ''.join(everytext.findAll(text=True))
    data = text.strip()
    print data

for everylink in links:
    print everylink['href']

这会打印出我想要的数据，但是我有点想重写它以便能够在结果中进行搜索，并且只返回搜索项。 尝试过类似的东西

if data == 'searchtearm':
        print data
        break
else:
        print 'Nothing found'

但这是一个较弱的搜索。 有没有更好的方法可以做到这一点？ 在我的示例中，Beatiful Soup结果集更改为一个列表。 首先搜索结果集中是否更好？如果是，那么该怎么做？

Answer 1

不用一个个地搜索链接，而是使用正则表达式让BeautifulSoup搜索：

import re

matching_link = grab_toc.find('a', text=re.compile('one', re.IGNORECASE))

这将找到的第 a在表的内容与3个字符的链接one在某处的文本。 然后只需打印链接和文本：

print matching_link.string
print matching_link['href']

根据您的样本的简短演示：

>>> from bs4 import BeautifulSoup
>>> import re
>>> soup = BeautifulSoup('''\
... <div id="dw__toc">
... <h3 class="toggle">Table of Contents</h3>
... <div>
... 
... <ul class="toc">
... <li class="level1"><div class="li"><a href="#section">#</a></div>
... <ul class="toc">
... <li class="level2"><div class="li"><a href="#link1">One</a></div></li>
... <li class="level2"><div class="li"><a href="#link2">Two</a></div></li>
... <li class="level2"><div class="li"><a href="#link3">Three</a></div></li>
... </ul></ul>''')
>>> matching_link = soup.find('a', text=re.compile('one', re.IGNORECASE))
>>> print matching_link.string
One
>>> print matching_link['href']
#link1

在BeautifulSoup版本3中，上述.find()调用将返回包含的NavigableString对象。 要回到父a元素，使用.parent属性：

matching_link = grab_toc.find('a', text=re.compile('one', re.IGNORECASE)).parent
print matching_link.string
print matching_link['href']