如何将此XPath表达式转换为BeautifulSoup？

Question

为了回答上一个问题，一些人建议我将BeautifulSoup用于我的项目。我一直在努力寻找他们的文档，但我无法解析它。有人可以指出我应该将该表达式转换为BeautifulSoup表达式的部分吗？

hxs.select('//td[@class="altRow"][2]/a/@href').re('/.a\w+')

上面的表达式来自Scrapy。我试图以应用正则表达式re('\.a\w+')，以td class altRow获得从那里的链接。

我还要感谢其他任何教程或文档的指针。我找不到。

谢谢你的帮助。

编辑：
我正在看此页面：

>>> soup.head.title
<title>White & Case LLP - Lawyers</title>
>>> soup.find(href=re.compile("/cabel"))
>>> soup.find(href=re.compile("/diversity"))
<a href="/diversity/committee">Committee</a>

但是，如果您查看页面源"/cabel"，则：

 <td class="altRow" valign="middle" width="34%"> 
 <a href='/cabel'>Abel, Christian</a>

由于某种原因，BeautifulSoup对搜索结果不可见，但是XPath对搜索结果可见，因为hxs.select('//td[@class="altRow"][2]/a/@href').re('/.a\w+')捕获了“
/ cabel”

编辑： cobbal：它仍然无法正常工作。但是当我搜索这个：

>>>soup.findAll(href=re.compile(r'/.a\w+'))
[<link href="/FCWSite/Include/styles/main.css" rel="stylesheet" type="text/css" />, <link rel="shortcut icon" type="image/ico" href="/FCWSite/Include/main_favicon.ico" />, <a href="/careers/northamerica">North America</a>, <a href="/careers/middleeastafrica">Middle East Africa</a>, <a href="/careers/europe">Europe</a>, <a href="/careers/latinamerica">Latin America</a>, <a href="/careers/asia">Asia</a>, <a href="/diversity/manager">Diversity Director</a>]
>>>

它返回所有带有第二个字符“ a”的链接，但不返回律师姓名。因此，由于某些原因，BeautifulSoup无法看到那些链接（例如“ /
cabel”）。我不明白为什么。

Answer 1

我知道BeautifulSoup是规范的HTML解析模块，但是有时您只想从某些HTML中抓取一些子字符串，而pyparsing有一些有用的方法可以做到这一点。使用此代码：

from pyparsing import makeHTMLTags, withAttribute, SkipTo
import urllib

# get the HTML from your URL
url = "http://www.whitecase.com/Attorneys/List.aspx?LastName=&FirstName="
page = urllib.urlopen(url)
html = page.read()
page.close()

# define opening and closing tag expressions for <td> and <a> tags
# (makeHTMLTags also comprehends tag variations, including attributes, 
# upper/lower case, etc.)
tdStart,tdEnd = makeHTMLTags("td")
aStart,aEnd = makeHTMLTags("a")

# only interested in tdStarts if they have "class=altRow" attribute
tdStart.setParseAction(withAttribute(("class","altRow")))

# compose total matching pattern (add trailing tdStart to filter out 
# extraneous <td> matches)
patt = tdStart + aStart("a") + SkipTo(aEnd)("text") + aEnd + tdEnd + tdStart

# scan input HTML source for matching refs, and print out the text and 
# href values
for ref,s,e in patt.scanString(html):
    print ref.text, ref.a.href

我从您的页面中提取了914条引用，从Abel到Zupikova。

Abel, Christian /cabel
Acevedo, Linda Jeannine /jacevedo
Acuña, Jennifer /jacuna
Adeyemi, Ike /igbadegesin
Adler, Avraham /aadler
...
Zhu, Jie /jzhu
Zídek, Aleš /azidek
Ziółek, Agnieszka /aziolek
Zitter, Adam /azitter
Zupikova, Jana /jzupikova