提取文本

Question

我想从一个网站链接提取信息：

http://www.website.com 

有出现几次的字符串：“字符串截取”，但我想捕捉出现的第一次。这将是以下结构内：

<td width="10%" bgcolor="#FFFFFF"><font class="bodytext9">1-Jun-2013</font></td> 
<td width="4%" bgcolor="#FFFFFF" align=center><font class="bodytext9">Sat</font></td> 
<td width="4%" bgcolor="#FFFFFF" align="center"><font class="bodytext9">TIME</font></td> 
<td width="15%" bgcolor="#FFFFFF" align="center"><a class="black_9" href="link1">Some Text here</a></td> 
<td width="5%" bgcolor="#FFFFFF" align="center"><font class="bodytext9"><img src="img/colors/pink.gif"></font></td> 
<td width="5%" bgcolor="#FFFFFF" align="center"></td> 
<td width="5%" bgcolor="#FFFFFF" align="center"><font class="bodytext9">Another Text</font></td> 
<td width="5%" bgcolor="#FFFFFF" align="center"></td> 
<td width="5%" bgcolor="#FFFFFF" align="center"><font class="bodytext9"><img src="img/colors/white.gif"></font></td> 
<td width="15%" bgcolor="#FFFFFF" align="center"><a class="black_9" href="link2">Here is also Text</a></td> 
<td width="15%" bgcolor="#FFFFFF" align="center"><a href="LINKtoWeb" class=list><u>STRING TO CAPTURE</u></a></td> 
<td width="4%" bgcolor="#FFFFFF" align="center"><a target="_new" href="AnotherLink"><img src="img/img2.gif" border="0"></a></td> 
</tr> 

这是一个固定格式，其中间是12行开始和所有其他标签;我想提取每行中的文本，例如。

1-Jun-2013 
Sat 
TIME 
Some Text here 
... 
STRING TO CAPTURE 

，我也想提取在行链接含有“STRING捕捉到”，这就是：

LINKtoWeb 

在我看来，蟒蛇可能是非常实用的做这个任务，但我也太新的Python到它的工作，希望这里的Python专家可以告诉我如何。 我不知道从哪里开始，四处搜寻，发现这可能是解决方案：

use YAML; 
my $data = Load(http://www.website.com); 
say $data->{"<tr>"}->{"<td>"}->{"STRING TO CAPTURE"}; 

但我不知道如何处理这12行中的所有文本？

Answer 1

下载并安装BeautifulSoup然后

html = urllib.urlopen('http://www.website.com').read() 
soup = BeautifulSoup.BeautifulSoup(html) 
texts = soup.findAll(text=True) 

def get_stuff(element): 
    if element.parent.name in ['style', 'script', '[document]', 'head', 'title']: 
     return False 
    elif re.match('<!--.*-->', str(element)): 
     return False 
    return True 

visible_texts = filter(get_stuff, texts) 

源 - BeautifulSoup Grab Visible Webpage Text