如何使用BeautifulSoup删除表格单元格中的额外内容

Question

我正在抓第二列中有额外信息的双列表。

state    | count  | pct
Florida  | 1 (1)  | 0.5
Colorado | 10 (<1)| 1.0

当我运行我的脚本时，我通常得到一个变体：

1 \xa0\xa0\xa0\xa0\xa0(<1)

或

10 \xa0\xa0\xa0\xa0\xa0(10)

为第二个细胞。

我只对第一个数字感兴趣，所以BeautifulSoup中的输出如下：

 [[u'Florida', u'1'], [u'Colorado', u'10']]

这样的事情可能吗？

Answer 1

假设你有rows：

>>> rows = [
...     [u'Florida', u'1 \xa0\xa0\xa0\xa0\xa0(1)'],
...     [u'Colorado', u'10 \xa0\xa0\xa0\xa0\xa0(<1)']
... ]

拆分count并获取第一部分：

>>> rows = [[state, count.split()[0]] for state, count in rows]
>>> rows
[[u'Florida', u'1'], [u'Colorado', u'10']]