靓汤[Python]和提取标签中的文本

Question

我是新来的Python和美丽的汤也！我听说了BS。它被认为是解析和提取内容的好工具。所以我在这里…：

我想获取html中表的第一个td的内容 文件。例如，我有这张桌子

<table class="bp_ergebnis_tab_info">
    <tr>
            <td>
                     This is a sample text
            </td>

            <td>
                     This is the second sample text
            </td>
    </tr>
</table>

如何使用beautifulsoup获取文本“这是示例文本”？ 我使用soup.findAll（'table'，attrs={'class'：'bp_ergebnis_tab_info'}）来获取 整个桌子。

谢谢。。。或者我应该试着用Perl获取所有的东西。。。我不太熟悉。另一个解决方案是PHP中的regex。

见目标[1]：http://www.schulministerium.nrw.de/BP/SchuleSuchen?action=799.601437941842&SchulAdresseMapDO=142323

注意：由于html有点无效-我想我们必须做一些清理。这可能会导致大量的PHP代码-因为我们想用PHP解决这个问题。Perl也是一个很好的解决方案。

非常感谢你的一些提示和想法 零

Answer 1

先找到桌子（就像你正在做的那样）。使用find而不是findall返回列表中的第一项（而不是返回所有查找的列表-在这种情况下，我们必须添加额外的[0]来获取列表的第一个元素）：

table = soup.find('table' ,attrs={'class':'bp_ergebnis_tab_info'})

然后再次使用find查找第一个td：

first_td = table.find('td')

然后使用renderContents()提取文本内容：

text = first_td.renderContents()

。。。任务完成了（尽管您可能还想使用strip()删除前导和尾随空格：

trimmed_text = text.strip()

这应该给予：

>>> print trimmed_text
This is a sample text
>>>

如所愿。

Answer 2

我发现漂亮汤非常有效的工具，所以继续学习它：-）它能够解析带有无效标记的页面，因此它应该能够处理您引用的页面。如果要获取具有有效标记的有效重新格式化页源，则可能需要使用命令BeautifulSoup(html).prettify()命令。

至于您的问题，第一个soup.findAll(...)命令的结果也是一个漂亮的Soup对象，您可以在其中进行第二次搜索，如下所示：

table_soup = soup.findAll('table' ,attrs={'class':'bp_ergebnis_tab_info'})
your_sample_text = table_soup.find("td").renderContents().strip()

print your_sample_text

Answer 3

使用“文本”在“td”之间获取文本

1）首先使用标记或ID读取表DOM

soup = BeautifulSoup(self.driver.page_source, "html.parser")
htnm_migration_table = soup.find("table", {'id':'htnm_migration_table'})

2）读取车身

tbody = htnm_migration_table.find('tbody')

3）从车身标签上读取所有tr

trs = tbody.find_all('tr')

4）使用tr获取所有tds

for tr in trs:
      tds = tr.find_all('td')
      for td in tds:
      print(td.text)