beautifulsoupによるfind_allの利用方法についての調査をしたところ、タグ内部の値に対してfind_all(string=re.compile({regex}))
を使って正規表現検索できることが分かりました。
しかし実際に使用してみたところ、タグの内部に入れ子のタグが存在すると意図通りにマッチングできないケースがありました。
下記のサンプルコードで、3月,4月が抽出できず、5月が抽出できる理由は何でしょうか。
また、string
に正規表現を用いて3月,4月を表示するオプション引数などはありますか?
サンプルコード
from bs4 import BeautifulSoup
import re
html = """
<html>
<body>
<p>1月</p>
<p>2月<hoge/></p>
<p>3月<hoge/></p>
<p>4月<fuga></fuga></p>
<p><piyo>5月</piyo></p>
<p>6月ですよ</p>
</body>
</html>
"""
soup = BeautifulSoup(html, "html.parser")
ps = soup.find_all('p', string=re.compile(r"月"))
for p in ps:
print(p.get_text(strip=True))
実行結果
1月
2月<hoge/>
5月
6月ですよ
バージョン
winver Windows11 Ver. 21H2(OS Build 2200.739)
Python 3.10.4
beautifulsoup4 4.11.1