[Python-es] parsear HTML

[Francisco Rivas]

Hola *,

yo tomaria la sugerencia de usar BeautifulSoup es bastante simple :

Estoy paritieno del hecho de que ese codigo html es igual en todos los tr es
decir se mentienen los 3 td.

Seria algo como :

from BeautifulSoup import BeautifulSoup

page = """<tr align="RIGHT" bgcolor="#ffffff">
<td nowrap="nowrap" align="center">Cuentos Infantiles</td>
<td><font color="#008000">Cenicienta</font></td>
<td><font color="#008000">25.00</font></td>
</tr>"""

soup = BeautifulSoup(page)

precio = str(soup.findAll("td")[2].text) # debido a que te interesa el
25.00

Quiza eso te sirva :D


On Wed, Mar 2, 2011 at 18:23, lopz <lowlifebob en gmail.com> wrote:

> Yo si es que solo necesitas eso usaría expresiones regulares, van y
> bien y no dependes de módulos externos
> ahora si se trata de usar un módulo tiraría de [1] y también he leído
> muy bien de lxml
>
> [1]  http://www.crummy.com/software/BeautifulSoup/
>
> 2011/3/2 Nekmo <contacto en nekmo.com>:
> > Yo con lxml suelo usar una funcionalidad que me permite filtrar usando
> > CSS, lo cual me es una pasada :D Además tienes lxml tanto en Python3
> > como en 2.x
> >
> > Un cordial saludo:
> > -- Nekmo.
> >
> > Sitio web: http://nekmo.com
> > Dirección de contacto: contacto en nekmo.com
> > XMPP/Jabber: contacto en nekmo.com
> > Identi.ca: http://identi.ca/nekmo
> > Diaspora: Nekmo
> >
> >
> >
> > 2011/3/2 Luis Miguel Morillas <morillas en gmail.com>:
> >> El día 2 de marzo de 2011 15:23, (P en vel) <pdlopez en uci.cu> escribió:
> >>> Como puedo de un archivo html cojer todas las etiquetas <tr></tr> que
> tengan
> >>> un <td></td> que se llame cuentos infantiles por ejemplo, y guardar el
> valor
> >>> que tenga los demas <td> de ese <tr>, es decir cojer los valores de
> todas
> >>> las columnas de esa fila, por ejemplo: cenicienta, 25.00
> >>>
> >>> <tr align="RIGHT" bgcolor="#ffffff">
> >>> <td nowrap="nowrap" align="center">Cuentos Infantiles</td>
> >>> <td><font color="#008000">Cenicienta</font></td>
> >>> <td><font color="#008000">25.00</font></td>
> >>> </tr>
> >>>
> >>
> >> Yo lo hago así usando una expresión xpath con amara:
> >>
> >> from amara.bindery import html
> >>
> >> doc = html.parse(url_de_la_web)
> >> cuentos = doc.xml_select(u'//tr[td="Cuentos Infantiles"]')
> >>
> >> # nodos html
> >> for cuento in cuentos:
> >>    cuento.xml_encode()
> >>
> >> # sólo contenido
> >> for cuento in cuentos:
> >>    for datos in cuento.xml_children:
> >>        print datos,
> >>
> >>
> >> Si quieres probar amara sin instalar, he creado un amaraPortable para
> >> windows:
> https://bitbucket.org/lmorillas/amaraportable/downloads/AmaraPortable.exe
> >>
> >>
> >> Saludos,
> >>
> >> -- luismiguel
> >>
> >>> _______________________________________________
> >>> Python-es mailing list
> >>> Python-es en python.org
> >>> http://mail.python.org/mailman/listinfo/python-es
> >>> FAQ: http://python-es-faq.wikidot.com/
> >>>
> >>>
> >> _______________________________________________
> >> Python-es mailing list
> >> Python-es en python.org
> >> http://mail.python.org/mailman/listinfo/python-es
> >> FAQ: http://python-es-faq.wikidot.com/
> >>
> > _______________________________________________
> > Python-es mailing list
> > Python-es en python.org
> > http://mail.python.org/mailman/listinfo/python-es
> > FAQ: http://python-es-faq.wikidot.com/
> >
>
>
>
> --
> lopz es libre, usa --> GNU/linux gentoo
>
> +--[RSA 2048]--+
> |  ..o.o=+       |
> |   o =o*.+      |
> |  . . *oO .      |
> |     .EBoo      |
> |      o.S         |
> +--[lopz.org]--+
> _______________________________________________
> Python-es mailing list
> Python-es en python.org
> http://mail.python.org/mailman/listinfo/python-es
> FAQ: http://python-es-faq.wikidot.com/
>
------------ próxima parte ------------
Se ha borrado un adjunto en formato HTML...
URL: <http://mail.python.org/pipermail/python-es/attachments/20110305/7f248ad6/attachment.html>