Python的爬虫包Beautiful Soup中用正则表达式来搜索


            Beautiful Soup使用时，一般可以通过指定对应的name和attrs去搜索，特定的名字和属性，以找到所需要的部分的html代码。

但是，有时候，会遇到，对于要处理的内容中，其name或attr的值，有多种可能，尤其是符合某一规律，此时，就无法写成固定的值了。

所以，就可以借助正则表达式来解决此问题。

比如，





<div class="icon_col">

    <h1 class="h1user">crifan</h1>

</div>





对应的BeautifulSoup代码如下：





h1userSoup = soup.find(name="h1", attrs={"class":"h1user"});





而如果html是这种：





<div class="icon_col">

    <h1 class="h1user">crifan</h1>

    <h1 class="h1user test1">crifan 123</h1>

    <h1 class="h1user test2">crifan 456</h1>

</div>





那么想要一次性地找到所有的，符合条件的h1的部分的代码，则之前的写法，就只能找到单个的class="h1user"的部分，剩下的两个





class="h1user test1"







和





class="h1user test2"







就找不到了。

那么，此时，就可以用到，BeautifulSoup中非常好用的，非常强大的功能：

attrs中支持正则表达式的写法

了。

就可以写成：





h1userSoupList = soup.findAll(name="h1", attrs={"class":re.compile(r"h1user(\s\w+)?")});





就可以一次性地，找到：





class="h1user"



class="h1user test1"



class="h1user test2"







了。





<div aria-lable="xxx">







之类的标签，xxx的内容未知（可变）的前提下

想要查找到对应的此div标签，之前不知道如何实现。

如果写成：





sopu.findAll("div", attrs={"aria-lable": "xxx"});





则xxx必须写出来，如果不写出来属性值，也就没法用上attrs了，就没法实现此处查找特性属性值的标签了。

所以针对：





<div aria-label="5星, 747 份评分" class="rating" role="img" tabindex="-1">

 <div>

 <span class="rating-star">

 </span>

 <span class="rating-star">

 </span>

 <span class="rating-star">

 </span>

 <span class="rating-star">

 </span>

 <span class="rating-star">

 </span>

 </div>

 <span class="rating-count">

 747 份评分

 </span>

</div>





可以通过：





soup.findAll("div", attrs={"aria-lable": True});





去查找到属性包含aria-lable的div标签的。

所以，对于上面的，之前不知道如何处理：

用BeautifulSoup查找未知属性值，但是已知属性的名字的标签

则此处，就可以针对：





<div aria-lable="xxx">





去用：





sopu.findAll("div", attrs={"aria-lable": True});





就可以查找到对应的包含属性aria-lable的div标签了。