Você pode fazer isso de diversas maneiras, como mencionado pelo mgibsonbr,
para extrair um pedaço de uma string o uso de expressões regulares é comumente utilizado para esse fim, tal como manipular a string.
Assumindo que tenhamos a variável conteudo
que armazena o html tenha as seguintes informações:
conteudo = '''
<tr bgcolor="FFF8DC">
<td valign="top">25/06/2014 20:37</td>
<td valign="top">25/06/2014</td>
<td>
<a href="Javascript:AbreArquivo('430489');">BROOKFIELD INCORPORAÇÕES S.A.</a>
<br>
Disponibilização do Laudo de Avaliação da pretendida oferta pública para a aquisição das
ações de emissão da Companhia em circulação no mercado
</td>
</tr>
'''
Manipulação da string
from BeautifulSoup import BeautifulSoup
def getProtocol(html):
soup = BeautifulSoup(conteudo)
href = unicode(soup.a['href'].partition('AbreArquivo')[2])
numero = [int(i) for i in href if i.isnumeric()]
return int(numero)
protocolo = getProtocol(conteudo)
# Fazer a requisição do PDF aqui
Acima utilizamos o método partition
para dividir a string na primeira ocorrência do separador(no caso é AbreArquivo
).
A string a qual queremos dividir vem do seguinte modo: Javascript:AbreArquivo('430489');
. Ao usar partition('AbreArquivo')[2]
teremos como resultado: ('430489');
É criado uma lista chamada numero
que conterá apenas números, percorremos caractere por caractere e verificamos se é um número, se for, é adicionado na lista.
Expressões Regulares
Para extrair um número você pode usar a expressão \d+
ou [0-9]+
para capturar um ou mais números.
from BeautifulSoup import BeautifulSoup
import re
def getProtocol(html):
soup = BeautifulSoup(html)
href = soup.a['href']
numero = re.findall(r'\d+', href)[0]
return int(numero)
protocolo = getProtocol(conteudo)
# Fazer a requisição do PDF aqui
Vale ressaltar que, se o conteúdo a tratar vier num formato diferente você provavelmente terá que adaptar o modo de tratar a string ou a expressão.