Comment obtenez-vous le texte d'une 'cellule de données' HTML en utilisant BeautifulSoup

Question

J'ai essayé de supprimer certaines données de fichiers HTML. J'ai la logique codée pour obtenir les bonnes cellules. Maintenant, je me bats pour obtenir le contenu réel de la 'cellule':

voici mon htm snip

headerRows [0] [10] .contents

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

Notez que ceci est une liste élément de Python [].

J'ai besoin de la valeur Pommes produites mais je ne peux pas y accéder.

Toutes les suggestions seraient appréciés

suggestions sur un bon livre qui explique cela gagner ma reconnaissance éternelle

---

Merci pour cette réponse. Cependant, il n'y a pas de réponse plus générale. Qu'advient-il si ma cellule n'a pas d'attribut gras

dire est:

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

Pommes Produit

Je suis en train d'apprendre à lire/comprendre la documentation et votre réponse aidera

J'apprécie vraiment cette aide. La meilleure chose à propos de ces réponses, c'est qu'il est beaucoup plus facile de généraliser à partir d'eux puis j'ai été en mesure de le faire à partir de la documentation BeautifulSoup. J'ai appris à programmer dans l'ère Fortran et moi pendant que j'apprécie apprendre Python et suis amzed à son pouvoir-BeautifulSoup est un exemple. faire un ensemble de la documentation est difficile pour moi.

Vive

Answer 1

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

Answer 2

Le BeautifulSoup documentation devrait couvrir tout ce dont vous avez besoin - dans ce cas, il semble que vous voulez utiliser findNext:

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

Une solution plus générique qui ne repose pas sur l'étiquette <b> serait être d'utiliser l'argument à findAll, qui vous permet de rechercher seulement NavigableString objets:

>>> 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

J'ai une classe de base que j'étend toutes les classes Beautiful Soup avec un tas de méthodes qui m'aident à obtenir du texte dans un groupe d'éléments que je ne veux pas nécessairement compter sur la structure de. L'une de ces méthodes est la suivante:

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