6

我一直在尝试从 HTML 文件中删除一些数据。我有逻辑编码以获得正确的单元格。现在我正在努力获取“单元格”的实际内容：

这是我的 HTML 片段：

headerRows[0][10].contents

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

请注意，这是来自 Python [] 的列表项。

我需要 Apples Produced 的价值，但无法实现。

任何建议，将不胜感激

对一本解释这一点的好书的建议将赢得我永恒的感激

谢谢你的回答。然而，没有更普遍的答案。如果我的单元格没有粗体属性会怎样

说它是：

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

生产的苹果

我正在努力学习阅读/理解文档，您的回复将有所帮助

我真的很感激这个帮助。这些答案最好的一点是，从它们中概括起来要容易得多，然后我可以从 BeautifulSoup 文档中做到这一点。我在 Fortran 时代学会了编程，现在我正在学习 python，我对它的力量感到惊讶——BeautifulSoup 就是一个例子。制作一个连贯的整个文档对我来说很难。

干杯

4

3 回答 3

5

BeautifulSoup 文档应该涵盖您需要的所有内容 - 在这种情况下，它看起来像是您想要使用的findNext：

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

不依赖<b>标签的更通用的解决方案是使用text参数 to findAll，它允许您仅搜索NavigableString对象：

>>> 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'
于 2008-10-21T21:14:21.743 回答
3 
headerRows[0][10].contents[0].find('b').string
于 2009-03-10T08:30:14.033 回答
0

我有一个基类，我用一堆方法扩展了所有 Beautiful Soup 类，这些方法帮助我在一组我不一定要依赖其结构的元素中获取文本。其中一种方法如下：

  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
于 2008-10-21T23:57:03.133 回答