¿Cómo extraer ciertas partes de una página web en Python

Question

orientada en la página web: http://www.immi.gov.au/skilled/general-skilled-migration/estimated-allocation-times.htm

La sección quiero extraer:

<tr> 
    <td>Skilled &ndash; Independent (Residence) subclass 885<br />online</td> 
    <td>N/A</td> 
    <td>N/A</td> 
    <td>N/A</td> 
    <td>15 May 2011</td> 
    <td>N/A</td> 
    </tr> 

vez que el código se encuentra esta sección mediante la búsqueda de la palabra clave "subclase 885
en línea ", debe imprimir la fecha que está dentro de la 5ta etiqueta que es" 15 de mayo de 2011 "como se muestra arriba.

Es solo un monitor para mí el controlar el progreso de mi solicitud de inmigración.

Answer 1

"Beau--ootiful Soo--oop!

Beau--ootiful Soo--oop!

Soo - oop del e - e - noche,

Beautiful, beauti--FUL SOUP! "

--Lewis Carroll, Alice's Adventures in Wonderland

creo que esto es exactamente lo que tenía en mente!

La Falsa Tortuga probablemente hacer algo como esto:

>>> from BeautifulSoup import BeautifulSoup 
>>> import urllib2 
>>> url = 'http://www.immi.gov.au/skilled/general-skilled-migration/estimated-allocation-times.htm' 
>>> page = urllib2.urlopen(url) 
>>> soup = BeautifulSoup(page) 
>>> for row in soup.html.body.findAll('tr'): 
...  data = row.findAll('td') 
...  if data and 'subclass 885online' in data[0].text: 
...   print data[4].text 
... 
15 May 2011 

Pero no estoy seguro de que ayudaría, desde esa fecha ya ha pasado!

¡Buena suerte con la aplicación!

Answer 2

Hay una biblioteca llamada Beautiful Soup que hace el trabajo que usted solicitó. http://www.crummy.com/software/BeautifulSoup/

Answer 3

Es posible que desee utilizar esto como un punto de partida:

Python 2.6.7 (r267:88850, Jun 13 2011, 22:03:32) 
[GCC 4.6.1 20110608 (prerelease)] on linux2 
Type "help", "copyright", "credits" or "license" for more information. 
>>> import urllib2, re 
>>> from BeautifulSoup import BeautifulSoup 
>>> urllib2.urlopen('http://www.immi.gov.au/skilled/general-skilled-migration/estimated-allocation-times.htm') 
<addinfourl at 139158380 whose fp = <socket._fileobject object at 0x84aa2ac>> 
>>> html = _.read() 
>>> soup = BeautifulSoup(html) 
>>> soup.find(text = re.compile('\\bsubclass 885\\b')).parent.parent.find('td', text = re.compile(' [0-9]{4}$')) 
u'15 May 2011'