如何使用 Python 的 BeautifulSoup html 解析器獲取具有 2 個“src”屬性的 img 標簽 src

Question

我有 HTML 頁面，其中包含具有 2 個“src”屬性的圖像標簽，我想使用 BS 來提取第一個“src”而不是第二個“src”。

例如：

當我按如下方式使用BS時：

from bs4 import BeautifulSoup

html_doc = <img class="lazy" src="https://hips.hearstapps.com/hmg-prod.s3.amazonaws.com/images/dog-puppy-on-garden-royalty-free-image-1586966191.jpg?crop=1.00xw:0.669xh;0,0.190xh&resize=980:*"                        src="https://www.mdf.qa/media/catalog/product/cache/1/image/800x800/9df78eab33525d08d6e5fb8d27136e95/b/l/black_2.jpg"/>

soup = BeautifulSoup(html_doc, 'html.parser')
bs_images = soup.find_all('img')
for bs_image in bs_images:
   attrs = bs_image.attrs
   image_path = attrs['src']

我得到的路徑是第二個src“ https://www.mdf.qa/media/catalog/product/cache/1/image/800x800/9df78eab33525d08d6e5fb8d27136e95/b/l/black_2.jpg ”但我需要第一個src - https://hips.hearstapps.com/hmg-prod.s3.amazonaws.com/images/dog-puppy-on-garden-royalty-free-image-1586966191.jpg?crop=1.00xw:0.669xh； 0,0.190xh&resize=980 :*.

Answer 1

似乎 BeautifulSoup 正在重寫第一個 src 頂部的第二個 src，因此第一個 src 不會存儲在任何地方。 我建議使用正則表達式來解決這個問題。

import re

html_doc = '<img class="lazy" src="https://hips.hearstapps.com/hmg-prod.s3.amazonaws.com/images/dog-puppy-on-garden-royalty-free-image-1586966191.jpg?crop=1.00xw:0.669xh;0,0.190xh&resize=980:*"                        src="https://www.mdf.qa/media/catalog/product/cache/1/image/800x800/9df78eab33525d08d6e5fb8d27136e95/b/l/black_2.jpg"/>'

bs_images = re.findall('<img[^<>]+>', html_doc)
for bs_image in bs_images:
   image_path = re.search('src="([^"]+)"', bs_image).group(1)
   print(image_path)

這是 src 匹配的鏈接。 使用 re.search 我們只得到第一個匹配項（使用 findall 我們會得到所有匹配項）。