Python中利用BeautifulSoup4反查包含文本内容的标签

本文主要是介绍Python中利用BeautifulSoup4反查包含文本内容的标签，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1 问题引出

编写爬取Amazon服装行业数据时，遇到一个问题：根据文本内容Next反查包含它的父标签。请看下面HTML片段

<li class="a-last">
<a href="/s?k=red+tshirt&amp;i=fashion-mens&amp;page=2&amp;qid=1588904638&amp;ref=sr_pg_1">Next
<span class="a-letter-space"></span>
<span class="a-letter-space"></span>→</a>
</li>

我需要根据Next反查包含它的标签a，以此获取href属性的值。最近编写很多爬虫项目，积累了一定的经验，于是，我认为上述很简单，编写如下代码：

# testBs.py
from bs4 import BeautifulSoup
import re 
str = """<li class="a-last"><a href="/s?k=red+tshirt&amp;i=fashion-mens&amp;page=2&amp;qid=1588904638&amp;ref=sr_pg_1">Next<span class="a-letter-space"></span><span class="a-letter-space"></span>→</a></li>""" soup = BeautifulSoup(str,'lxml')
a = soup.find('a',text=re.compile(r"Next"))
print(a)

运行后，如下：
在这里插入图片描述
也就是说，查不到标签a。

2 问题分析

若将HTML片段改为标签a下不含子标签span的话，即

<li class="a-last">
<a href="/s?k=red+tshirt&amp;i=fashion-mens&amp;page=2&amp;qid=1588904638&amp;ref=sr_pg_1">Next</a>
</li>

则上述代码可以得到结果：
在这里插入图片描述
我分析，肯定是代码a = soup.find('a',text=re.compile(r"Next"))有问题。那么针对原HTML片段，为了不受查询标签a的限制，我将核心代码改为：

a = soup.find(text=re.compile(r"Next"))
print(a)

运行结果为：
在这里插入图片描述
这是一个好的象征，离成功近了一步。经过查阅BeautifulSoup4的资料，此时得到的对象是一个BeautifulSoup.NavigableString对象，我们可以利用代码查看变量a的信息:

from bs4 import BeautifulSoup
import re 
import pprint
str = """<li class="a-last"><a href="/s?k=red+tshirt&amp;i=fashion-mens&amp;page=2&amp;qid=1588904638&amp;ref=sr_pg_1">Next<span class="a-letter-space"></span><span class="a-letter-space"></span>→</a></li>""" soup = BeautifulSoup(str,'lxml')
a = soup.find(text=re.compile(r"Next"))
#print(a)
pprint.pprint(a.__dict__)

运行结果为：
在这里插入图片描述
那么此时我们的问题答案已经很明了了。

3 解决方案

最终，利用文本内容（且与其同一层还有其他标签）反查包含它的标签的属性值的代码如下：

from bs4 import BeautifulSoup
import re 
import pprint
str = """<li class="a-last"><a href="/s?k=red+tshirt&amp;i=fashion-mens&amp;page=2&amp;qid=1588904638&amp;ref=sr_pg_1">Next<span class="a-letter-space"></span><span class="a-letter-space"></span>→</a></li>""" soup = BeautifulSoup(str,'lxml')
a = soup.find(text=re.compile(r"Next"))print(a.parent.get('href'))