Jak uzyskać tekst z "datacell" HTML przy użyciu BeautifulSoup

Question

Próbowałem odciąć niektóre dane z plików HTML. Mam kodowanie logiczne, aby uzyskać właściwe komórki. Teraz walczę, aby uzyskać rzeczywiste zawartości 'komórki':

tutaj jest mój htm wycinek

headerRows [0] [10] .contents

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

Należy pamiętać, że jest to lista element z Python [].

Potrzebuję wartości wyprodukowanych jabłek, ale nie mogę się do niej dostać.

Wszelkie sugestie będą mile widziane

sugestie na dobrą książką, która wyjaśnia to by zarobić Moją wieczną wdzięczność

---

Dziękuję za tę odpowiedź. Jednak nie ma bardziej ogólnej odpowiedzi. Co się stanie, jeśli moja komórka nie posiada atrybut pogrubienia

powiedzieć, że jest:

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

Jabłka Produkowane

Próbuję nauczyć się czytać/rozumieć dokumentację i swoje Odpowiedź pomoże

Naprawdę doceniam tę pomoc. Najlepszą rzeczą w tych odpowiedziach jest to, że łatwiej jest je uogólnić, a następnie udało mi się to zrobić z dokumentacji BeautifulSoup. Nauczyłem się programować w erze Fortranu, a ja czerpię przyjemność z uczenia się Pythona i jestem amzowany jego mocą - BeautifulSoup jest przykładem. tworzenie spójnej całości dokumentacji jest dla mnie trudne.

Cheers

Answer 1

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

Answer 2

BeautifulSoup documentation powinna obejmować wszystko, czego potrzeba - w tym przypadku wygląda na to, którego chcesz użyć findNext:

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

Bardziej ogólne rozwiązanie, które nie opiera się na znaczniku <b> będzie należy użyć argumentu do findAll, który umożliwia wyszukiwanie tylko obiektów NavigableString:

>>> 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

Mam klasę podstawową, że rozszerzam wszystkie klasy Pięknej Zupy o kilka metod, które pomagają mi uzyskać tekst w grupie elementów, które niekoniecznie chcę polegać na strukturze. Jedna z tych metod jest następująca:

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