python - scraping - select beautifulsoup

¿Cómo encontrar la etiqueta de comentario<!-…-> con BeautifulSoup?

Question

Probé soup.find (''! -'') pero no parece funcionar. Gracias por adelantado.

Edit: Gracias por el consejo sobre cómo encontrar todos los comentarios. Tengo una pregunta de seguimiento. ¿Cómo busco específicamente un comentario?

Por ejemplo, tengo la siguiente etiqueta de comentario:

<!-- <span class="titlefont"> <i>Wednesday 110518</i>(05:00PM)<br /></span> -->

Realmente solo quiero esto <i>Wednesday 110518</i> . El "110518" es la fecha YYMMDD en la que me inclino a usar como objetivo de búsqueda. Sin embargo, no sé cómo encontrar algo dentro de una etiqueta de comentario específica.

Answer 1

Puede encontrar todos los comentarios en un documento a través del método findAll . Vea este ejemplo que muestra cómo hacer exactamente lo que está intentando hacer. Eliminando elementos :

En resumen, quieres esto:

comments = soup.findAll(text=lambda text:isinstance(text, Comment))

Editar: Si está intentando buscar dentro de las columnas, puede intentar:

import re
comments = soup.findAll(text=lambda text:isinstance(text, Comment))
for comment in comments:
  e = re.match(r''<i>([^<]*)</i>'', comment.string).group(1)
  print e

Answer 2

Pyparsing le permite buscar comentarios HTML usando una expresión htmlComment incorporada, y adjuntar devoluciones de tiempo de llamada para validar y extraer los diversos campos de datos dentro del comentario:

from pyparsing import makeHTMLTags, oneOf, withAttribute, Word, nums, Group, htmlComment
import calendar

# have pyparsing define tag start/end expressions for the 
# tags we want to look for inside the comments
span,spanEnd = makeHTMLTags("span")
i,iEnd = makeHTMLTags("i")

# only want spans with class=titlefont
span.addParseAction(withAttribute(**{''class'':''titlefont''}))

# define what specifically we are looking for in this comment
weekdayname = oneOf(list(calendar.day_name))
integer = Word(nums)
dateExpr = Group(weekdayname("day") + integer("daynum"))
commentBody = ''<!--'' + span + i + dateExpr("date") + iEnd

# define a parse action to attach to the standard htmlComment expression,
# to extract only what we want (or raise a ParseException in case 
# this is not one of the comments we''re looking for)
def grabCommentContents(tokens):
    return commentBody.parseString(tokens[0])
htmlComment.addParseAction(grabCommentContents)


# let''s try it
htmlsource = """
want to match this one
<!-- <span class="titlefont"> <i>Wednesday 110518</i>(05:00PM)<br /></span> -->

don''t want the next one, wrong span class
<!-- <span class="bodyfont"> <i>Wednesday 110519</i>(05:00PM)<br /></span> -->

not even a span tag!
<!-- some other text with a date in italics <i>Wednesday 110520</i>(05:00PM)<br /></span> -->

another matching comment, on a different day
<!-- <span class="titlefont"> <i>Thursday 110521</i>(05:00PM)<br /></span> -->
"""

for comment in htmlComment.searchString(htmlsource):
    parsedDate = comment.date
    # date info can be accessed like elements in a list
    print parsedDate[0], parsedDate[1]
    # because we named the expressions within the dateExpr Group
    # we can also get at them by name (this is much more robust, and 
    # easier to maintain/update later)
    print parsedDate.day
    print parsedDate.daynum
    print

Huellas dactilares:

Wednesday 110518
Wednesday
110518

Thursday 110521
Thursday
110521