优化结果：获取最小包含元素

为了从初步筛选结果中获取最具体的元素，我们可以遍历筛选出的元素列表，并比较它们所包含的子标签数量。一个简单的启发式方法是：如果一个元素是另一个元素的父级，并且两者都包含相同的目标文本，那么通常我们倾向于保留子级元素。

以下代码演示了如何实现这种优化：

Open Voice OS

OpenVoiceOS是一个社区驱动的开源语音AI平台

下载

from bs4 import BeautifulSoup

test_doc = BeautifulSoup("""
Title
Some text
Some text different than 
before
""", 'html.parser')

# 使用 :-soup-contains 查找所有包含 "Some text" 的元素
selection = test_doc.select(':-soup-contains("Some text")')

# 创建一个用于存储最终结果的列表
final_selection = []

# 遍历筛选结果，移除冗余的父元素
# 注意：这种方法假设结果是按照某种顺序（例如深度优先）排列的，
# 并且通过比较子标签数量来判断父子关系。
# 对于更复杂的场景，可能需要更精确的父子关系判断。
for i, el in enumerate(selection):
    is_redundant = False
    # 检查当前元素是否是已在 final_selection 中的某个元素的父级
    for final_el in final_selection:
        if final_el in el.find_all(): # 如果 final_el 是 el 的子元素
            is_redundant = True
            break

    if not is_redundant:
        # 检查当前元素是否包含已在 final_selection 中的某个元素的父级
        # 这一步是为了防止将父元素添加到列表中，而其子元素才是我们想要的
        # 我们可以通过再次检查 selection 列表中的其他元素来实现

        # 更简洁的优化策略（基于原始答案思路）：
        # 假设 selection 列表中的元素大致是从外到内（或乱序）的，
        # 我们可以找到所有元素的文本，然后找出最“小”的那些

        # 重新实现优化逻辑，寻找“最小”的包含元素
        # 这种方法更侧重于去除那些完全包含其他已匹配元素的元素

        # 我们可以先收集所有元素的文本，然后判断

        # 原始答案的优化逻辑是：如果当前元素比前一个元素的子标签少，则删除前一个。
        # 这要求 selection 列表有特定的排序。
        # 更好的方法是构建一个集合，确保只添加最小的元素。

# 重新构建优化逻辑，确保只保留最具体的元素
# 我们可以从大到小排序，然后移除被包含的元素
# 或者，对于每个元素，检查它是否包含任何其他匹配的元素
optimized_selection = []
for current_el in selection:
    is_smallest_container = True
    for other_el in selection:
        if current_el != other_el and current_el.find(lambda tag: tag == other_el):
            # 如果 current_el 包含了 other_el，那么 current_el 不是最小的
            is_smallest_container = False
            break
    if is_smallest_container:
        optimized_selection.append(current_el)

print("\n优化后的结果 (保留最小包含元素):")
for el in optimized_selection:
    print(el)

注意： 上述优化逻辑是基于一个假设：如果一个元素A包含了另一个元素B，并且A和B都满足匹配条件，那么我们通常只想要B。实际应用中，如果匹配文本在不同上下文中有相同的子结构，可能需要更复杂的逻辑来区分。

对于给定的示例：

from bs4 import BeautifulSoup 

test_doc = BeautifulSoup("""
Title
Some text
Some text different than 
before
""", 'html.parser')

selection = test_doc.select(':-soup-contains("Some text")')

# 优化逻辑：创建一个新的列表，只添加那些不包含其他匹配元素的元素
optimized_selection = []
for el_a in selection:
    is_unique_smallest = True
    for el_b in selection:
        if el_a is not el_b and el_a.find(el_b): # el_a 包含了 el_b
            is_unique_smallest = False
            break
    if is_unique_smallest:
        optimized_selection.append(el_a)

print(optimized_selection)

其结果将是：

[
Some text
, 
Some text different than 
before
]

这正是我们想要的结果，即只获取到直接包含“Some text”的

标签，而排除了其父级

from bs4 import BeautifulSoup

html_doc = """
Some text here
"""
soup = BeautifulSoup(html_doc, 'html.parser')

# 查找并解包所有  标签
for b_tag in soup.find_all('b'):
    b_tag.unwrap()

# 此时文档变为 
Some text here
print(soup.prettify())

# 现在就可以使用传统的字符串匹配方法了
target_p = soup.find(string=re.compile(".*Some text here.*")).find_parent('p')
print(target_p)