python - 如何去除干扰 Beautiful Soup 返回带有指定文本的链接的字符？

Question

我正在尝试用Beautiful Soup做两件事：

1. 查找并打印特定类的 div
2. 查找并打印包含特定文本的链接

第一部分正在工作。第二部分是返回一个空列表，即[]. 在尝试解决此问题时，我创建了以下按预期工作的内容：

from bs4 import BeautifulSoup

def my_funct():
    content = "<div class=\"class1 class2\">some text</div> \
        <a href='#' title='Text blah5454' onclick='blahblahblah'>Text blah5454</a>"
    soup = BeautifulSoup(content)
    thing1 = soup("div", "class1 class2")
    thing2 = soup("a", text="Text")
    print thing1
    print thing2

my_funct()

在SciTE编辑器中查看原始内容（我的实际实现）的来源之后。但是，一个区别是在链接文本之间和之间的新行上有一个LF和四个，例如：->Textblah5454

因此，我认为这就是我变得空虚的原因[]。

我的问题是：

1. 这是可能的原因吗？
2. 如果是这样，“剥离”这些字符的最佳解决方案是什么？如果是这样，最好的方法是什么？

Answer 1

该text参数仅匹配整个文本内容。您需要改用正则表达式：

import re

thing2 = soup("a", text=re.compile(r"\bText\b"))

\b单词边界锚确保您只匹配整个单词，而不是部分单词。请注意r''这里使用的原始字符串文字，当解释为普通字符串时\b意味着不同的东西；如果您在这里不使用原始字符串文字，则必须将反斜杠加倍。

演示：

>>> from bs4 import BeautifulSoup
>>> content = "<div class=\"class1 class2\">some text</div> \
...         <a href='#' title='wooh!' onclick='blahblahblah'>Text blah5454</a>"
>>> soup = BeautifulSoup(content)
>>> soup("a", text='Text')
[]
>>> soup("a", text=re.compile(r"\bText\b"))
[<a href="#" onclick="blahblahblah" title="wooh!">Text blah5454</a>]