python - find_all 没有在混合内容中找到文本

Question

我有一些使用 BeautifulSoup 的 Python 屏幕抓取代码，这让我很头疼。对 html 的一个小改动使我的代码中断，但我不明白为什么它无法工作。这基本上是 html 在解析时的外观演示:

soup=BeautifulSoup("""
<td>
    <a href="https://alink.com">
        Foo Some text Bar
    </a>
</td>
""")
links = soup.find_all('a',text=re.compile('Some text'))
links[0]['href'] # => "https://alink.com"

升级后，a 标签体现在包含一个 img 标签，这使得代码中断。

<td>
    <a href="https://alink.com">
        <img src="dummy.gif" >
        Foo Some text Bar
    </a>
</td>

“链接”现在是一个空列表，所以正则表达式没有找到任何东西。我通过单独匹配文本来破解它，然后找到它的父级，但这似乎更脆弱:

links = soup.find_all(text=re.compile('Some text'))
links[0].parent['href'] # => "https://alink.com"

什么是添加img标签作为文本的兄弟内容打破了 BeautifulSoup 所做的搜索，并且在那里一种修改第一个代码的方法？

Answer 1

区别在于第二个例子有一个不完整的 img 标签:

应该是

<img src="dummy.gif" />
Foo Some text Bar

或

<img src="dummy.gif" > </img>
Foo Some text Bar

相反，它被解析为

<img src="dummy.gif" >
Foo Some text Bar
</img>

所以找到的元素不再是a，而是img，它的父元素是a。