抓取 Python 一个

Question

我在 href 标签中有 2 个不同内容的标签，我只想要一个标签，我想知道 BeautifulSoup 是否可以只选择以特定单词开头的 href。 如果我知道谢谢。

<a href="https://facebook.com/" </a> 

和另一个

<a href="https://Instagram.com/" </a>

Answer 1

有很多选项可以做到，这里是 3 个最常见的（CSS 选择器、正则表达式和 lambda）：

data = '''
<a href="https://facebook.com/">TAG 1</a>
<a href="https://instagram.com/">TAG 2</a>
'''

from bs4 import BeautifulSoup

soup = BeautifulSoup(data, 'html.parser')

# 1st option - CSS selector
print(soup.select_one('a[href^="https://instagram"]'))

# 2nd option - using regexp
import re
print(soup.find('a', {'href': re.compile(r'^https://instagram')}))

# 3rd option - using lambda
print(soup.find(lambda tag: 'href' in tag.attrs and tag['href'].startswith('https://instagram')))

印刷：

<a href="https://instagram.com/">TAG 2</a>
<a href="https://instagram.com/">TAG 2</a>
<a href="https://instagram.com/">TAG 2</a>

---

编辑：要选择以某个字符串开头的多个链接：

data = '''
<a href="https://facebook.com/">TAG 1</a>
<a href="https://instagram.com/A">TAG 2</a>
<a href="https://facebook.com/">TAG 3</a>
<a href="https://instagram.com/B">TAG 4</a>
'''

from bs4 import BeautifulSoup

soup = BeautifulSoup(data, 'html.parser')

for link in soup.select('a[href^="https://instagram"]'):
    print(link)

印刷：

<a href="https://instagram.com/A">TAG 2</a>
<a href="https://instagram.com/B">TAG 4</a>

---

对于 CSS 选择器参考，请使用此链接。

Answer 2

这是一个简短的例子：

from bs4 import BeautifulSoup
import re


html = """
<a href="https://facebook.com/"> </a>
<a href="https://Instagram.com/"> </a>
"""

page = BeautifulSoup(html)

# Iterate over 'a' elements and search if starts with "https://Insta"
for i in page.findAll("a"):
    if i.get("href").startswith("https://Insta"):
        instagram = i

# One line and regex version:
facebook = [i for i in page.findAll("a") if re.match("^https://face", i.get("href"))][0]

print(facebook)
print(instagram)

输出：

<a href="https://facebook.com/"> </a>
<a href="https://Instagram.com/"> </a>