python - 你如何使用 BeautifulSoup 从 HTML 'datacell' 中获取文本

Question

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 的值(value)，但无法获得它。

如有任何建议，我们将不胜感激

关于解释这一点的好书的建议将赢得我永远的感激

---

感谢您的回答。但是，是否没有更通用的答案。如果我的单元格没有粗体属性会怎样

说是:

 [<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，您的回复会有所帮助

非常感谢您的帮助。关于这些答案的最好的事情是，从它们中概括比我能够从 BeautifulSoup 文档中概括要容易得多。我在 Fortran 时代学习编程，现在我正在学习 python，我惊叹于它的强大——BeautifulSoup 就是一个例子。使整个文档连贯一致对我来说很难。

干杯

Answer 1

BeautifulSoup documentation应该涵盖您需要的一切 - 在这种情况下，您似乎想要使用 findNext :

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

不依赖于 <b> 的更通用的解决方案标签将使用 text findAll 的参数，它只允许您搜索 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'