सुंदर सूप [पायथन] और तालिका में पाठ का निकालने

Question

मैं पाइथन और बीटफुल सूप के लिए भी नया हूं! मैंने बीएस के बारे में सुना। इसे सामग्री को पार्स और निकालने के लिए एक बेहतरीन टूल कहा जाता है। तो यहां मैं हूं ...:

मैं एक HTML दस्तावेज़ में किसी तालिका के पहले टीडी की सामग्री लेना चाहता हूं। उदाहरण के लिए, मैं इस तालिका

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

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

मैं BeautifulSoup कैसे उपयोग कर सकते हैं पाठ लेने के लिए "यह एक नमूना पाठ है" है? मैं पूरे तालिका में प्राप्त करने के लिए soup.findAll ('table', attrs = {'class': 'bp_ergebnis_tab_info'}) का उपयोग करता हूं।

धन्यवाद ... या मुझे पर्ल के साथ पूरी चीजें प्राप्त करने का प्रयास करना चाहिए ... जो मैं इतना परिचित नहीं हूं। एक और हल PHP में एक regex होगा।

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

नोट; चूंकि एचटीएमएल थोड़ा अमान्य है - मुझे लगता है कि हमें कुछ सफाई करना है। इससे बहुत सारे PHP कोड हो सकते हैं - क्योंकि हम PHP में नौकरी को हल करना चाहते हैं। पर्ल भी एक अच्छा समाधान होगा।

कुछ संकेत और एक प्रारंभिक बिंदु के लिए विचारों के लिए बहुत-बहुत धन्यवाद शून्य

Answer 1

पहले तालिका मिलेगी (के रूप में आप कर रहे हैं करते हुए)। सूची में पहला आइटम find बल्कि findall से रिटर्न का उपयोग करना (के बजाय सभी पाता की एक सूची लौट रहा - जो मामले में हम एक अतिरिक्त [0] जोड़ने के लिए होगा सूची के पहले तत्व लेने के लिए):

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

तो पहले td खोजने के लिए फिर से find का उपयोग करें:

first_td = table.find('td') 

फिर renderContents() का उपयोग पाठ सामग्री को निकालने के लिए:

text = first_td.renderContents() 

... और काम किया जाता है (हालांकि आप भी प्रमुख और पीछे वाले स्पेस को दूर करने के strip() उपयोग कर सकते हैं:

trimmed_text = text.strip() 

यह देना चाहिए:

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

के रूप में वांछित।

Answer 2

मैं ब्यूटीफुल सूप बहुत ही कुशल उपकरण तो :-) यह अवैध मार्क-अप के साथ एक पृष्ठ पार्स करने के लिए तो यह सक्षम होना चाहिए सक्षम है सीखने रखने लगता है आपके द्वारा संदर्भित पृष्ठ को संभालने के लिए। यदि आप मान्य मार्कअप के साथ एक वैध सुधारित पृष्ठ स्रोत प्राप्त करना चाहते हैं तो आप कमांड BeautifulSoup(html).prettify() कमांड का उपयोग करना चाह सकते हैं।

अपने प्रश्न के लिए के रूप में, अपने पहले soup.findAll(...) आदेश का परिणाम भी एक ब्यूटीफुल सूप वस्तु है और आप इस तरह उस में दूसरी बार कर सकते हैं,:

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

print your_sample_text