提问人：Tobias Simonsen 提问时间：10/18/2021 最后编辑：Tobias Simonsen 更新时间：10/18/2021 访问量：106
在 Python 中抓取包含某些字符和名称的文本？
Scraping text containing certain caracters and names in Python?
问：
我对 python 相当陌生，并且正在从事一个项目，在这个项目中，我需要在一堆文章中引用某些人的所有报价。
对于这个问题，我以这篇文章为例：https://www.theguardian.com/us-news/2021/oct/17/jeffrey-clark-scrutiny-trump-election-subversion-scheme
现在，使用 Lambda，我能够使用以下代码抓取包含我正在寻找的人的姓名的文本：
import requests
from bs4 import BeautifulSoup
url = 'https://www.theguardian.com/us-news/2021/oct/17/jeffrey-clark-scrutiny-trump-election-subversion-scheme'
response = requests.get(url)
data=response.text
soup=BeautifulSoup(data,'html.parser')
tags=soup.find_all('p')
words = ["Michael Bromwich"]
for tag in tags:
quotes=soup.find("p",{"class":"dcr-s23rjr"}, text=lambda text: text and any(x in text for x in words)).text
print(quotes)
...它返回包含“Michael Bromwich”的文本块，在本例中，它实际上是文章中的引用。但是当抓取 100+ 篇文章时，这并不能完成这项工作，因为其他文本块也可能包含指示的名称而不包含引号。我只想要包含引号的文本字符串。
因此，我的问题：是否可以在以下条件下打印所有 HTML 字符串：
文本 STARTS with the caracter “ （引号） OR - （连字符） 并包含名称“Michael Bromwich”或“John Johnson”等。
谢谢！
答：
0赞
Wiktor Stribiżew
10/18/2021
#1
首先，你不需要循环，你只需要根据你的条件使用。for tag in tagssoup.find_all
接下来，您可以检查没有任何正则表达式的引号或连字符：
quotes = [x.text for x in soup.find_all("p",{"class":"dcr-s23rjr"}, text=lambda t: t and (t.startswith("“") or t.startswith('"') or t.startswith("-")) and any(x in t for x in words))]
该部件将检查文本是否以 或 开头。(t.startswith("“") or t.startswith('"') or t.startswith("-"))“"-
或
quotes = [x.text for x in soup.find_all("p",{"class":"dcr-s23rjr"}, text=lambda t: t and t.strip()[0] in '“"-' and any(x in t for x in words))]
该部件检查 是否包含剥离文本值的第一个字符。t.strip()[0] in '“"-'“"-
评论
soup.find("p",{"class":"dcr-s23rjr"}, text=lambda t: t and (t.startswith("“") or t.startswith("-")) and any(x in t for x in words)).textt.strip()[0] in '“"-'t.strip()[0] in '''“"'‘-'''