python - 使用 BeautifulSoup 排除不需要的 findAll 结果

Question

使用 BeautifulSoup，我的目标是抓取与此 HTML 钩子(Hook)关联的文本:

<p class="review_comment">

所以，使用如下简单的代码，

content = page.read()  
soup = BeautifulSoup(content)  
results = soup.find_all("p", "review_comment")

我很乐意解析这里的文本:

<p class="review_comment">
    This place is terrible!</p>

坏消息是每 30 次左右 soup.find_all得到一个匹配，它也匹配并抓取一些我真的不想要的东西，这是一个用户的旧评论，他们已经更新了:

<p class="review_comment">
    It's 1999, and I will always love this place…  
<a href="#" class="show-archived">Read more &raquo;</a></p>

为了排除这些旧的重复评论，我尝试了各种想法。

• 我一直在尝试改变我的 soup.find_all() 中的论点称呼专门排除所有出现在 <a href="#"
class="show-archived">Read more &raquo;</a> 之前的文本
• 我陷入了正则表达式类型的匹配困境，但没有成功。
• 我似乎无法利用 class="show-archived"属性。

如有任何想法，我们将不胜感激。提前致谢。

Answer 1

这就是你要找的吗？

for p in soup.find_all("p", "review_comment"):
    if p.find(class_='show-archived'):
        continue
    # p is now a wanted p