Python 如何查找具有特定文本的HTML标记？-美丽之群

以下是消息来源：

<span class="new"> <a class="blog" href="http://whatever1.com" rel="nofollow">whatever1</a> do something at <a class="others" href="http://example1.com" rel="nofollow">example1</a></span>

<span class="new"> <a class="blog" href="http://whatever2.com" rel="nofollow">whatever2</a> do other things at <a class="others" href="http://example2.com" rel="nofollow">example2</a></span>

<span class="new"> <a class="blog" href="http://whatever3.com" rel="nofollow">whatever3</a> do something at <a class="others" href="http://example3.com" rel="nofollow">example3</a></span> 

---

什么也没找到。如果我删除

text=re.compile（'.*do something.*'）

以上所有标记都可以找到，我知道我的正则表达式模式应该有问题，那么正确的格式是什么？

迭代html文件内容并打印匹配的行。在这里，我用列表l替换了文件内容：

>>> l = ['<span class="new"> <a class="blog" href="http://whatever1.com" rel="nofollow">whatever1</a> do something at <a class="others" href="http://example1.com" rel="nofollow">example1</a></span>', 

'<span class="new"> <a class="blog" href="http://whatever2.com" rel="nofollow">whatever2</a> do other things at <a class="others" href="http://example2.com" rel="nofollow">example2</a></span>',

'<span class="new"> <a class="blog" href="http://whatever3.com" rel="nofollow">whatever3</a> do something at <a class="others" href="http://example3.com" rel="nofollow">example3</a></span>' ]
>>> for i in range(len(l)):
    if re.search('<span class="new">.*do something.*', l[i]):
        print l[i]


<span class="new"> <a class="blog" href="http://whatever1.com" rel="nofollow">whatever1</a> do something at <a class="others" href="http://example1.com" rel="nofollow">example1</a></span>
<span class="new"> <a class="blog" href="http://whatever3.com" rel="nofollow">whatever3</a> do something at <a class="others" href="http://example3.com" rel="nofollow">example3</a></span>
>>> 

>>l=['做点什么'，
'在'做其他事情'，
'在''做某事]
>>>对于范围内的i（len（l））：
如果重新搜索（'.*做点什么。*'，l[i]）：
打印l[i]
做点什么
做点什么
>>> 

您可以尝试混合方法：

soup = bs4.BeautifulSoup(html, "lxml")
spans = soup.findAll("span", attrs = {"class": "new"})
regex = re.compile('.*do something at.*')
desired_tags = [span for span in spans if regex.match(span.text)]

---

这是我通常查找文本的方式

spans = soup.findAll("span", attrs = {"class": "new"})
for s in spans:
    if "do something" in str(s):

---

这确实有效，但问题是，我需要解析所选的标记、抓取URL和类似的内容。BeautifulSoup会做得更好的。谢谢，这确实有效。我不明白的是，当您将以上所有内容组合在一行中时，它为什么不起作用：

span=soup.findAll（“span”，attrs={“class”：“new”}，text=re.compile（'.*dosomething.*'））

我猜

text=

只适用于具有文本的标记，而不适用于其他标记。在HTML中，每个

都有

标记与文本混合在一起。如果span没有子标签，我想它可以正常工作。

spans = soup.findAll("span", attrs = {"class": "new"})
for s in spans:
    if "do something" in str(s):