Как вы получаете текст из HTML 'datacell' с помощью BeautifulSoup

Question

Я пытался вырезать некоторые данные из файлов HTML. У меня есть логическая кодировка, чтобы получить нужные ячейки. Теперь я изо всех сил, чтобы получить реальное содержимое ячейки '':

вот мой HTM надрез

headerRows [0] [10] .contents

[<font size="+0"><font face="serif" size="1"><b>Apples Produced</b><font size="3">  
    </font></font></font>] 

Обратите внимание, что это список элемент из Python [].

Мне нужна ценность Яблоки, но не могу добраться до нее.

Любые предложения будут оценены

Предложения по хорошей книге, которая объясняет это заработало бы мою вечную благодарность

---

Спасибо за этот ответ. Однако, есть ли более общий ответ. Что произойдет, если ячейка не имеет смелое атрибут

говорят, что это:

[<font size="+0"><font face="serif" size="1"><I>Apples Produced</I><font size="3">  
    </font></font></font>] 

Яблоки Произведено

Я пытаюсь научиться читать/понимать документацию и ваши ответ поможет

Я очень ценю эту помощь. Самое лучшее в этих ответах состоит в том, что из них намного легче обобщить, тогда я смог сделать это из документации BeautifulSoup. Я научился программировать в эпоху Fortran, и я, пока мне нравится изучать питон, и я поражен его мощью - пример BeautifulSoup. сделать когернету всей документацией для меня непросто.

Приветствие

Answer 1

headerRows[0][10].contents[0].find('b').string 

Answer 2

BeautifulSoup documentation должен охватывать все, что вам нужно - в этом случае она выглядит, как вы хотите использовать findNext:

headerRows[0][10].findNext('b').string 

Более общее решение, которое не опирается на <b> теге будет использовать аргумент для findAll, что позволяет искать только для NavigableString объектов:

>>> s = BeautifulSoup(u'<p>Test 1 <span>More</span> Test 2</p>') 
>>> u''.join([s.string for s in s.findAll(text=True)]) 
u'Test 1 More Test 2' 

Answer 3

У меня есть базовый класс, который я расширяю все классы Beautiful Soup с помощью множества методов, которые помогают мне получить текст внутри группы элементов, которые я не обязательно хочу полагаться на структуру. Один из этих методов состоит в следующем:

def clean(self, val): 
    if type(val) is not StringType: val = str(val) 
    val = re.sub(r'<.*?>', '', s) #remove tags 
    val = re.sub("\s+" , " ", val) #collapse internal whitespace 
    return val.strip() #remove leading & trailing whitespace