如何使用BeautifulSoup提取HTML中首个带src属性的tr标签

问题原因 #

你调用find()时没有限定标签类型，BeautifulSoup会按文档顺序遍历所有节点，返回第一个符合src属性匹配规则的节点。内层<source>节点在DOM树中位于<tr>内部，检索顺序更靠前，因此被优先返回。

解决方法 #

方案1：明确指定查找<tr>标签（推荐）

直接在find()的第一个参数传入要匹配的标签名，就能精准定位到外层的tr节点：

import re
from bs4 import BeautifulSoup

soup = BeautifulSoup(target, 'lxml')
target_tr = soup.find('tr', src=re.compile(r'\.\w'))
print(target_tr)

如果只需要输出tr的起始标签（不需要子内容和闭合标签），可以再加一步格式处理：

print(str(target_tr).split('>')[0] + '>')

方案2：过滤查找结果（仅作参考）

如果不确定目标标签名，也可以先查找所有带符合规则src属性的标签，再筛选父层级最高的节点：

all_match = soup.find_all(src=re.compile(r'\.\w'))
# 取父层级最少的节点即为最外层匹配节点
target_tr = sorted(all_match, key=lambda x: len(list(x.parents)))[0]
print(target_tr)

内容的提问来源于stack exchange，提问作者retr0327