Expression régulière Python pour Belle Soupe

Question

J'utilise Beautiful Soup pour extraire des balises div spécifiques, et il semble que je ne puisse pas utiliser string simple matching.

La page a des balises sous forme de

<div class="comment form new"...> 

que je veux ignorer, et aussi quelques balises sous forme de

<div class="comment comment-xxxx..."> 

où les x représentent un nombre entier de longueur arbitraire , et les ellipses représentent un nombre arbitraire d'autres valeurs séparées par des espaces blancs (que je ne suis pas concerné). Je ne peux pas comprendre l'expression regex correcte, d'autant plus que je n'ai jamais utilisé la classe re de python.

En utilisant

soup.find_all(class_="comment") 

trouve tous les tags commençant par le mot commentaire. Je l'ai essayé d'utiliser

soup.find_all(class_=re.compile(r'(comment)()(comment)')) 
soup.find_all(class_=re.compile(r'comment comment.*')) 

et beaucoup d'autres variations, mais je pense que je manque quelque chose évidente ici sur la façon dont le travail des expressions regex ou match(). Quelqu'un peut m'aider?

Answer 1

Je pense que je l'ai:

>>> [div['class'] for div in soup.find_all('div')] 
[['comment', 'form', 'new'], ['comment', 'comment-xxxx...']] 

Notez que, contrairement à l'équivalent en BS3, c'est pas:

['comment form new', 'comment comment-xxxx...'] 

Et voilà pourquoi votre regexps ne correspondront pas.

Mais vous pouvez faire correspondre, par exemple, ceci:

>>> soup.find_all('div', class_=re.compile('comment-')) 
[<div class="comment comment-xxxx..."></div>] 

Notez que BS ne soit l'équivalent de re.search, non re.match, de sorte que vous n'avez pas besoin 'comment-.*'. Bien sûr, si vous voulez faire correspondre 'comment-12345' mais pas 'comment-of-another-kind vous voudrez, par exemple, 'comment-\d+'.