4
<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>

Utilizando a biblioteca BeautifulSoup eu consigo ler a seguinte página:

http://siteempresas.bovespa.com.br/consbov/ExibeFatosRelevantesCvm.asp?site=C

Estou com dificuldade para ler via python o número de protocolo do html acima '430489'. Este número será utilizado para baixar um pdf. Pretendo criar uma função que terá como argumento este número e que automaticamente baixará o pdf no meu mac.

1
  • Rodrigues, é uma pergunta antiga mas, alguma das respostas resolveu o problema?
    – stderr
    Commented 19/10/2016 às 23:01

3 Respostas 3

3

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.

2

Estou assumindo que você já conseguiu uma referência para o elemento <a> desejado, e consegue também extrair o conteúdo do atributo href (se estou enganado nessas suposições, acrescente mais detalhes na pergunta). O problema então se resume a extrair o número 430489 da string Javascript:AbreArquivo('430489');, certo?

Não existe solução generalizada para isso, uma vez que o href suportaria a princípio qualquer JavaScript válido. Entretanto, se você sabe que seu HTML virá sempre nesse formato, basta usar uma simples função de substring para extrair a parte desejada:

href = soup.tr.a['href']
arq_str = href[len("Javascript:AbreArquivo('") : -len("');")]
arq_int = int(arq_str)

Caso não esteja familiarizado com a operação de substring (sublista), x[inicio:fim] cria uma nova string/lista iniciando na posição inicio e terminando logo antes da posição fim. Se fim for negativo, ele começa a contar do final da string (i.e. len(x) - fim).

Fazendo inicio = len(prefixo) e fim = -len(sufixo) garante-se que somente o "meio" será selecionado, sem depender de "números mágicos". Aí é só converter para número, se aplicável.

0

Somente Beautifulsoup

from bs4 import Beautifulsoup

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>
'''
soup = Beautifulsoup(conteudo, 'html.parser')
print(soup.select('a[href*="AbreArquivo"]')[0]['href'].split("'")[1])

#430489

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .