搜索正則表達式時忽略子節點

Question

我想用BeautifulSoup識別大文本文檔中的分割點。 因此，我已經制定了一個正則表達式來查找出現特定字符串的Tag。 問題是，如果我正在搜索的字符串中還有格式/子節點，則它不起作用。

t1 = BeautifulSoup("<p class=\"p p8\"><strong>Question-And-Answer</strong></p>")

t2 = BeautifulSoup("<p class=\"p p8\"><strong>Question</strong>-<strong>And</strong>-<strong>Answer</strong></p>")

t1.find(text = re.compile("Question[s]*-And-Answer[s]*", re.IGNORECASE))
>>> 'Question-And-Answer'

t2.find(text = re.compile("Question[s]*-And-Answer[s]*", re.IGNORECASE))
>>> None

輸出應該是p Tag對象。

Answer 1

你在這里遇到的問題是你正在尋找的文本在p節點內被strong標簽拆分，因此.find使用text參數的正則表達式搜索將不起作用，它只是在BS中實現的方式。

如果您知道文本在p節點中 ，則可以在.find調用中使用lambda表達式，並對每個p標記的text屬性運行正則表達式搜索，以查找所需的元素：

print(t2.find(lambda t: t.name == "p" and re.search(r'Questions*-And-Answers*', t.text)))
# => <p class="p p8"><strong>Question</strong>-<strong>And</strong>-<strong>Answer</strong></p>

請注意， [s]與正則表達式中的s相同。