从 beautifulsoup 元素中提取原始字符串位置

Question

当使用beautifulsoup 解析长而复杂的 html 文档时，获取原始字符串中匹配元素的确切位置有时会很有用。我不能简单地搜索字符串，因为可能有多个匹配元素，我会失去 bs4 解析 DOM 的能力。鉴于这个最小的工作示例：

import bs4

html = "<div><b>Hello</b>  <i>World</i></div>"
soup = bs4.BeautifulSoup(html,'lxml')

# Returns 22
print html.find("World")

# How to get this to return 22?
print soup.find("i", text="World")

如何让bs4提取的元素返回22？

Answer 1

我了解您的问题是“世界”可能被多次写入，但您想获得特定事件的位置（您不知何故知道如何识别）。

您可以使用此解决方法。我敢打赌有更优雅的解决方案，但这应该可以：

鉴于此 html：

import bs4

html = """<div><b>Hello</b>  <i>World</i></div>
          <div><b>Hello</b>  <i>Foo World</i></div>
          <div><b>Hello</b>  <i>Bar World</i></div>"""

soup = bs4.BeautifulSoup(html,'lxml')

如果我们想获得Foo World出现的位置，我们可以：

1. 获取标签
2. 引入一些我们知道它在 html 的其余部分中不存在的唯一字符串

3. 获取我们添加的字符串的位置

   import bs4
   
   html = """<div><b>Hello</b>  <i>World</i></div>
             <div><b>Hello</b>  <i>Foo World</i></div>
             <div><b>Hello</b>  <i>Bar World</i></div>"""
   
   soup = bs4.BeautifulSoup(html,'html.parser')
   
   #1
   desired_tag = soup.find("i", text="Foo World")
   #2
   desired_tag.insert(0, "some_unique_string")
   
   print(str(soup))
   """
   Will show:
   <div><b>Hello</b> <i>World</i></div>
   <div><b>Hello</b> <i>some_unique_stringFoo World</i></div>
   <div><b>Hello</b> <i>Bar World</i></div>
   """
   
   #3   
   print(str(soup).find("some_unique_string"))
   """
   58
   """