如何使用BeautifulSoup获取HTML中的'datacell'文本

Question

我一直在尝试从HTML文件中提取一些数据。我已经写好了逻辑来获取正确的单元格。现在我在获取“单元格”的实际内容时遇到了困难：

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>]

注意，这里是Python中的一个列表项 []。

我需要的值是“苹果产量”，但我就是无法获取到它。

任何建议都非常感谢

如果能推荐一本解释这个的好书，我会非常感激

---

谢谢你的回答。不过，难道没有更通用的答案吗？如果我的单元格没有加粗属性会发生什么呢？

比如它是：

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

苹果产量

我正在努力学习如何阅读和理解文档，你的回答会对我有帮助

我非常感激这个帮助。这些回答的最好之处在于，从中总结出通用的知识要比我从BeautifulSoup文档中学到的容易多了。我是在Fortran时代学编程的，现在我在学习Python，真是惊叹于它的强大——BeautifulSoup就是一个例子。把文档整合成一个连贯的整体对我来说很困难。

谢谢

Answer 1

我有一个基础类，我在这个基础上扩展了所有的Beautiful Soup类，并添加了一些方法，这些方法可以帮助我获取一组元素中的文本，而不需要依赖它们的具体结构。其中一个方法如下：

  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

Answer 2

BeautifulSoup 的文档应该包含你需要的所有信息。在这个情况下，看起来你想使用 findNext 方法：

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

还有一种更通用的解决方案，它不依赖于 <b> 标签。你可以使用 text 参数来调用 findAll 方法，这样你就可以只搜索 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'

Answer 3

这段代码是一个示例，展示了如何在程序中使用某些功能。它可能涉及到一些基本的编程概念，比如变量、循环或者条件判断。

如果你是编程新手，理解这些代码的结构和逻辑是很重要的。通常，代码会按照一定的顺序执行，每一行都有它的作用。你可以把它想象成一个食谱，每一步都需要按照顺序来完成，才能做出美味的菜肴。

在学习编程时，遇到代码块是很常见的事情。你可以尝试逐行分析，看看每一部分是做什么的，这样会帮助你更好地理解整个程序的运行方式。

记住，编程就像学习一种新的语言，刚开始可能会觉得有点难，但只要多练习，就会慢慢变得熟悉。

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