如何为BeautifulSoup的find_all编写多条件自定义过滤函数筛选指定td标签

修正后的完整实现代码 #

import re
from bs4 import BeautifulSoup

def custom_filter(tag):
    # 仅保留td标签，排除th
    if tag.name != 'td':
        return False
    # 匹配id格式为td[数字]_[数字]
    tag_id = tag.get('id', '')
    if not re.fullmatch(r'td\d+_\d+', tag_id):
        return False
    # 过滤掉style含display:none的标签
    tag_style = tag.get('style', '').replace(' ', '')
    if 'display:none' in tag_style:
        return False
    return True

# html替换为实际的页面源码字符串
parsed = BeautifulSoup(html, 'html.parser')
filtered_tags = parsed.find_all(custom_filter)

原有代码的问题说明 #

1. 导入语句错误：bs4库导出的类名为BeautifulSoup，而非BeautifulSoup4
2. 标签类型判断逻辑错误：tag.select('td')是查询当前标签的子级td元素，无法判断当前标签本身是否为td，直接读取tag.name属性即可完成判断
3. style过滤逻辑错误：你写的负向预查正则(?!display:none)只要字符串任意位置不匹配该内容就会返回True，完全无法过滤掉display:none的标签，直接判断style字符串中是否包含对应内容更简单可靠，同时兼容style为空、无style属性的场景
4. id匹配逻辑不严谨：未加锚点的正则会命中所有包含td[数字]_[数字]子串的id，比如test_td123_45也会被错误匹配，用re.fullmatch可以严格匹配整个id值

如果你提供的示例HTML中的th是实际需要筛选的标签，只需要把tag.name != 'td'修改为tag.name == 'th'即可。

内容的提问来源于stack exchange，提问作者slachet