python - 从(网页)表格中有选择地选取文本

Question

我的问题来自网页上的表格(抱歉，我无法提供网址，因为这是公司内部的网址。)

表格如下所示:

Status  Class_code  Major           Started from
Active  4562256     Global Finance      2013
Active  4588222     Global Finance      2014
Active  4552214     Trade Management    2014
Active  8631448     Law                 2012

其代码为:

<TR class=Data align=left>
<TD class=TextColumn>Active</TD>
<TD class=NumColumn>
<DIV title="No:03">4562256</DIV></TD>
<TD class=TextColumn>Global Finance</TD>
<TD class=NumColumn>
<DIV title=2013>2013</DIV></TD>
...
<TR class=Data align=left>
<TD class=TextColumn>Active</TD>
<TD class=NumColumn>
<DIV title="No:04">4588222</DIV></TD>
<TD class=TextColumn>Global Finance</TD>
<TD class=NumColumn>
<DIV title=2014></DIV>2014</TD>
...    
<TR class=Data align=left>
<TD class=TextColumn>Active</TD>
<TD class=NumColumn>
<DIV title="No:05">4552214</DIV></TD>
<TD class=TextColumn>International Trade</TD>
<TD class=NumColumn>
<DIV title=2014>2014</DIV></TD>
...    
<TR class=Data align=left>
<TD class=TextColumn>Active</TD>
<TD class=NumColumn>
<DIV title="No:06">8631448</DIV></TD>
<TD class=TextColumn>Law</TD>
<TD class=NumColumn>
<DIV title=2012>2012</DIV></TD>
...

我想让BeautifulSoup挑选的是2014年才创建的科目，“金融”和“国际贸易”。

我在下面使用，但它给出了列中的所有数字。

find_number = soup.find_all('td', class_='NumColumn')

for fn in find_number :
    results = fn.find_all('div')
    print results        

我怎样才能只选择带有“2014”的那些(“类(class)代码”总是在第二列；“开始于”总是在第四列)

谢谢。

Answer 1

要获得更强大(如果更复杂)的解决方案，您可以尝试使用正则表达式。

https://docs.python.org/2/howto/regex.html

本质上，它们让您指定包含数据的模式。

例如，

import re
p = re.compile(r'div*/div')//This will get you any data in a div(That is spelled lowercase)
htmldocumentasstring = "However you would do that"
print p.match(htmldocumentasstring) //This will get you only the first result

所以，这不是最漂亮或最简单的解决方案，但它是一种方法。