如何用Python匹配HTML中图片对应的日期文本（前瞻查找）

方法一：基于BeautifulSoup节点遍历追踪最近日期 #

这种方法通过遍历HTML的所有节点，实时记录最近出现的符合正则的日期，当遇到指向.jpg的链接时，直接关联当前记录的最近日期。

代码示例 #

import re
from bs4 import BeautifulSoup

# 你的日期正则
rx_date = re.compile(r'(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)\s\d{1,2},\s\d{4}\s\d{1,2}:\d{2}:\d{2}(?:AM|PM|am|pm)')
# 匹配图片链接的正则（匹配href中的.jpg文件）
rx_img = re.compile(r'.+\.jpg$')

# 读取HTML文件
with open('your_file.html', 'r', encoding='utf-8') as f:
    html_content = f.read()

soup = BeautifulSoup(html_content, 'html.parser')
latest_date = None
img_date_map = {}

# 遍历所有节点
for element in soup.descendants:
    # 处理文本节点，提取日期
    if element.name is None and element.strip():
        date_match = rx_date.search(element.strip())
        if date_match:
            latest_date = date_match.group()
    
    # 处理a标签，提取图片链接
    if element.name == 'a' and element.get('href'):
        href = element.get('href')
        if rx_img.match(href):
            # 关联最近日期，若没有则标记为无日期
            img_date_map[href] = latest_date or '无匹配日期'

# 输出结果
for img, date in img_date_map.items():
    print(f"图片: {img} | 对应日期: {date}")

说明 #

• 遍历所有节点时，优先处理文本节点，一旦匹配到日期就更新latest_date变量
• 遇到a标签时检查href是否为.jpg文件，直接绑定当前的latest_date
• 不受div类名、节点层级影响，只要日期出现在图片之前就能被捕捉

方法二：基于纯文本位置反向查找日期 #

如果HTML结构极端混乱，节点遍历难以处理，可以将HTML转为纯文本，通过位置索引反向查找最近的日期。

代码示例 #

import re

rx_date = re.compile(r'(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)\s\d{1,2},\s\d{4}\s\d{1,2}:\d{2}:\d{2}(?:AM|PM|am|pm)')
# 匹配href中的jpg链接，同时记录匹配的起始位置
rx_img_href = re.compile(r'href="([^"]+\.jpg)"')

with open('your_file.html', 'r', encoding='utf-8') as f:
    html_text = f.read()

# 获取所有图片链接及其在文本中的起始位置
img_matches = list(rx_img_href.finditer(html_text))
img_date_map = {}

for match in img_matches:
    img_path = match.group(1)
    img_start_pos = match.start()
    # 从图片位置向前截取文本，查找所有日期匹配
    prior_text = html_text[:img_start_pos]
    date_matches = list(rx_date.finditer(prior_text))
    # 取最后一个匹配（即离图片最近的日期）
    if date_matches:
        latest_date = date_matches[-1].group()
    else:
        latest_date = '无匹配日期'
    img_date_map[img_path] = latest_date

# 输出结果
for img, date in img_date_map.items():
    print(f"图片: {img} | 对应日期: {date}")

说明 #

• 将HTML转为纯文本后，通过正则找到所有图片链接的位置
• 对每个图片位置，向前搜索所有日期匹配，取最后一个即为最近的日期
• 注意：纯文本模式可能会匹配到HTML标签内的日期文本（比如注释、属性值），如果需要过滤可以先清理HTML标签后再处理

内容的提问来源于stack exchange，提问作者Dave