如何使用漂亮的汤和重新找到包含特定文本的特定类的跨度？答案

【问题标题】：How to find spans with a specific class containing specific text using beautiful soup and re?如何使用漂亮的汤和重新找到包含特定文本的特定类的跨度？
【发布时间】：2013-04-21 08:28:15
【问题描述】：

我怎样才能找到所有包含'blue' 类且包含格式文本的跨度：

04/18/13 7:29pm

因此可能是：

04/18/13 7:29pm

或：

Posted on 04/18/13 7:29pm

就构建执行此操作的逻辑而言，这是我目前所得到的：

new_content = original_content.find_all('span', {'class' : 'blue'}) # using beautiful soup's find_all
pattern = re.compile('<span class=\"blue\">[data in the format 04/18/13 7:29pm]</span>') # using re
for _ in new_content:
    result = re.findall(pattern, _)
    print result

我一直在参考https://stackoverflow.com/a/7732827 和https://stackoverflow.com/a/12229134 来尝试找出一种方法来做到这一点，但以上就是我目前所掌握的全部内容。

编辑：

为了澄清这个场景，有跨度：

<span class="blue">here is a lot of text that i don't need</span>

和

<span class="blue">this is the span i need because it contains 04/18/13 7:29pm</span>

请注意，我只需要 04/18/13 7:29pm 而不是其余的内容。

编辑 2：

我也试过了：

pattern = re.compile('<span class="blue">.*?(\d\d/\d\d/\d\d \d\d?:\d\d\w\w)</span>')
for _ in new_content:
    result = re.findall(pattern, _)
    print result

得到错误：

'TypeError: expected string or buffer'

【问题讨论】：

标签： python regex beautifulsoup

【解决方案1】：

import re
from bs4 import BeautifulSoup

html_doc = """
<html>
<body>
<span class="blue">here is a lot of text that i don't need</span>
<span class="blue">this is the span i need because it contains 04/18/13 7:29pm</span>
<span class="blue">04/19/13 7:30pm</span>
<span class="blue">Posted on 04/20/13 10:31pm</span>
</body>
</html>
"""

# parse the html
soup = BeautifulSoup(html_doc)

# find a list of all span elements
spans = soup.find_all('span', {'class' : 'blue'})

# create a list of lines corresponding to element texts
lines = [span.get_text() for span in spans]

# collect the dates from the list of lines using regex matching groups
found_dates = []
for line in lines:
    m = re.search(r'(\d{2}/\d{2}/\d{2} \d+:\d+[a|p]m)', line)
    if m:
        found_dates.append(m.group(1))

# print the dates we collected
for date in found_dates:
    print(date)

输出：

04/18/13 7:29pm
04/19/13 7:30pm
04/20/13 10:31pm

【讨论】：

我可以成功运行上面的确切代码，但它在我的实现中不起作用。我认为这可能是因为原始源代码中的日期和时间之间有一个&nbsp;，例如04/18/13&nbsp;7:29pm。作为参考，我在原始的'urlopen read object' 中添加了.replace("&nbsp;"," ")，它起作用了。非常感谢（感谢所有响应者！）。

【解决方案2】：

这是一个灵活的正则表达式，您可以使用：

"(\d\d?/\d\d?/\d\d\d?\d?\s*\d\d?:\d\d[a|p|A|P][m|M])"

例子：

>>> import re
>>> from bs4 import BeautifulSoup
>>> html = """
<html>
<body>
<span class="blue">here is a lot of text that i don't need</span>
<span class="blue">this is the span i need because it contains 04/18/13 7:29pm</span>
<span class="blue">04/19/13 7:30pm</span>
<span class="blue">04/18/13 7:29pm</span>
<span class="blue">Posted on 15/18/2013 10:00AM</span>
<span class="blue">Posted on 04/20/13 10:31pm</span>
<span class="blue">Posted on 4/1/2013 17:09aM</span>
</body>
</html>
"""
>>> soup = BeautifulSoup(html)
>>> lines = [i.get_text() for i in soup.find_all('span', {'class' : 'blue'})]
>>> ok = [m.group(1)
      for line in lines
        for m in (re.search(r'(\d\d?/\d\d?/\d\d\d?\d?\s*\d\d?:\d\d[a|p|A|P][m|M])', line),)
          if m]
>>> ok
[u'04/18/13 7:29pm', u'04/19/13 7:30pm', u'04/18/13 7:29pm', u'15/18/2013 10:00AM', u'04/20/13 10:31pm', u'4/1/2013 17:09aM']
>>> for i in ok:
    print i

04/18/13 7:29pm
04/19/13 7:30pm
04/18/13 7:29pm
15/18/2013 10:00AM
04/20/13 10:31pm
4/1/2013 17:09aM

【讨论】：

【解决方案3】：

这种模式似乎可以满足您的需求：

>>> pattern = re.compile('<span class="blue">.*?(\d\d/\d\d/\d\d \d\d?:\d\d\w\w)</span>')
>>> pattern.match('<span class="blue">here is a lot of text that i dont need</span>')
>>> pattern.match('<span class="blue">this is the span i need because it contains 04/18/13 7:29pm</span>').groups()
('04/18/13 7:29pm',)

【讨论】：

我不知道如何实现这一点，我根据您的建议将我尝试的代码发布到原始帖子中（参见编辑 2）。
@user1063287 尝试将您的第三行更改为result = pattern.match(_).groups()。 re.findall 需要一个字符串（就像您之前调用 re.compile 时使用的字符串一样，而是给它一个已经编译的正则表达式。本质上，您尝试编译您的模式两次。
听起来_ 还不是字符串，您需要先从_ 变量中提取实际字符串，然后才能对其使用正则表达式。我假设您可以调用 _.string 之类的名称，尝试一些诸如 print _ 和 print dir(_) 之类的打印语句，以确定您现在正在使用哪种对象。
@user1063287 Corey 的回答为您提供了有关如何执行此操作的更全面的说明，您需要调用_ 的方法是get_text()。但他提供了一个更完整的答案:)
您得到的AttributeError 来自正则表达式与字符串不匹配的情况，因此它返回None。这会导致代码调用不存在的None.groups()。 Corey 的代码用他的if m: 行说明了这一点，这就是我将您引向他的代码的原因。希望这会有所帮助！