Beautiful Soup [Python] 和表格中文本的提取

Question

我是 Python 新手，也是 Beatiful Soup 的新手！我听说过BS。它被告知是解析和提取内容的好工具。所以我在这里......：

我想在 html 中获取表格的第一个 td 的内容 文档。比如我有这张表

<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”？ 我用 soup.findAll('table' ,attrs={'class':'bp_ergebnis_tab_info'}) 得到 整张桌子。

谢谢...或者我应该尝试使用 Perl 来获取全部内容...我不太熟悉。另一个解决方案是 PHP 中的正则表达式。

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

注意；由于 html 有点无效 - 我认为我们必须进行一些清理。这会导致大量的 PHP 代码——因为我们想用 PHP 来解决这个工作。 Perl 也是一个很好的解决方案。

非常感谢您提供的一些提示和想法作为起点 零

Answer 1

首先找到表（就像你正在做的那样）。使用 find 而不是 findall 返回列表中的第一个项目（而不是返回所有发现的列表 - 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找到第一个td：

first_td = table.find('td')

然后使用renderContents()提取文本内容：

text = first_td.renderContents()

...工作完成（尽管您可能还想使用strip() 删除前导和尾随空格：

trimmed_text = text.strip()

这应该给出：

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

根据需要。

Answer 2

使用“text”获取“td”之间的文本

1) 首先使用标签或ID读取表DOM

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

2) 阅读正文

tbody = htnm_migration_table.find('tbody')

3) 从 tbody 标签中读取所有 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)

Answer 3

我发现 Beautiful Soup 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。如果您想获得具有有效标记的有效重新格式化页面源，您可能需要使用命令BeautifulSoup(html).prettify() 命令。

至于您的问题，您的第一个soup.findAll(...) 命令的结果也是一个Beautiful 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