python - 抓取以某个单词开头的网页句子

Question

我正在使用 BeautifulSoup 和 python 抓取网页，并希望抓取页面上以“Text Start:”开头的每个句子，如下面的代码所示。每个句子也以逗号结尾，后跟月日形式的日期(下面是 5-4)。这样的例子有很多，所以我想浏览一下页面并返回以“文本开始:”。

我一直在尝试使用 BeautifulSoup 包来做到这一点，但遇到了麻烦。我认为我应该使用正则表达式，所以我一直在尝试，但还没有真正取得任何进展。

<div class="class">
<div class="time">
<span class="date">07/02/13</span>
<span class="sep">|</span>
<span class="duration">02:15</span>
<div class="clear"></div>
</div>
Text Start: This text changes each time, 5-4
</div>

Answer 1

使用 regular expression匹配specific text contents :

import re

soup.find_all(text=re.compile('^\s*Text Start:.*'))

演示:

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup('''\
... <div class="class">
... <div class="time">
... <span class="date">07/02/13</span>
... <span class="sep">|</span>
... <span class="duration">02:15</span>
... <div class="clear"></div>
... </div>
... Text Start: This text changes each time, 5-4
... </div>
... ''')
>>> import re
>>> soup.find_all(text=re.compile('^\s*Text Start:.*'))
[u'\nText Start: This text changes each time, 5-4\n']