我正在尝试使用BeautifulSoup从html文件中的两个html表中提取一些数据。
这实际上是我第一次使用它，并且搜索了很多问题/示例，但似乎没有一个适合我的情况。html包含两个表，第一个表包含第一列的标题（始终为文本），第二个表包含以下各列的数据。此外，该表还包含文本，数字以及符号。对于像我这样的新手来说，一切都变得更加复杂。这是从浏览器复制的html的布局，我能够提取行的整个html内容，但仅针对第一个表，因此实际上我没有得到任何数据，而仅得到第一列的内容。
我尝试获取的输出是一个包含表的“联合”信息的字符串（Col1 =文本，Col2 =数字，Col3 =数字，Col4 =数字，Col5 =数字），例如：
Canada, 6, 5, 2, 1
这是每个项目的Xpath列表：
"Canada": /html/body/div/div[1]/table/tbody[2]/tr[2]/td/div/a
"6": /html/body/div/div[2]/div/table/tbody[2]/tr[2]/td[1]
"5": /html/body/div/div[2]/div/table/tbody[2]/tr[2]/td[3]
"2": /html/body/div/div[2]/div/table/tbody[2]/tr[2]/td[5]
"1": /html/body/div/div[2]/div/table/tbody[2]/tr[2]/td[7]
只要每行只有一个字符串，我也会对“粗糙” html格式的字符串感到满意，这样我就可以使用我已经知道的方法进一步解析它。这是我到目前为止的代码。谢谢！
from BeautifulSoup import BeautifulSoup
html="""
my html code
"""
soup = BeautifulSoup(html)
table=soup.find("table")
for row in table.findAll('tr'):
col = row.findAll('td')
print row, col
使用bs4，但这应该可行：
from bs4 import BeautifulSoup as bsoup
ofile = open("htmlsample.html")
soup = bsoup(ofile)
soup.prettify()
tables = soup.find_all("tbody")
storeTable = tables[0].find_all("tr")
storeValueRows = tables[2].find_all("tr")
storeRank = []
for row in storeTable:
storeRank.append(row.get_text().strip())
storeMatrix = []
for row in storeValueRows:
storeMatrixRow = []
for cell in row.find_all("td")[::2]:
storeMatrixRow.append(cell.get_text().strip())
storeMatrix.append(", ".join(storeMatrixRow))
for record in zip(storeRank, storeMatrix):
print " ".join(record)
上面将打印出：
# of countries - rank 1 reached 0, 0, 1, 9
# of countries - rank 5 reached 0, 8, 49, 29
# of countries - rank 10 reached 25, 31, 49, 32
# of countries - rank 100 reached 49, 49, 49, 32
# of countries - rank 500 reached 49, 49, 49, 32
# of countries - rank 1000 reached 49, 49, 49, 32
[Finished in 0.5s]
更改storeTable到tables[1]和storeValueRows到tables[3]会打印出：
Country
Canada 6, 5, 2, 1
Brazil 7, 5, 2, 1
Hungary 7, 6, 2, 2
Sweden 9, 5, 1, 1
Malaysia 10, 5, 2, 1
Mexico 10, 5, 2, 2
Greece 10, 6, 2, 1
Israel 10, 6, 2, 1
Bulgaria 10, 6, 2, -
Chile 10, 6, 2, -
Vietnam 10, 6, 2, -
Ireland 10, 6, 2, -
Kuwait 10, 6, 2, -
Finland 10, 7, 2, -
United Arab Emirates 10, 7, 2, -
Argentina 10, 7, 2, -
Slovakia 10, 7, 2, -
Romania 10, 8, 2, -
Belgium 10, 9, 2, 3
New Zealand 10, 13, 2, -
Portugal 10, 14, 2, -
Indonesia 10, 14, 2, -
South Africa 10, 15, 2, -
Ukraine 10, 15, 2, -
Philippines 10, 16, 2, -
United Kingdom 11, 5, 2, 1
Denmark 11, 6, 2, 2
Australia 12, 9, 2, 3
United States 13, 9, 2, 2
Austria 13, 9, 2, 3
Turkey 14, 5, 2, 1
Egypt 14, 5, 2, 1
Netherlands 14, 8, 2, 2
Spain 14, 11, 2, 4
Thailand 15, 10, 2, 3
Singapore 16, 10, 2, 2
Switzerland 16, 10, 2, 3
Taiwan 17, 12, 2, 4
Poland 17, 13, 2, 5
France 18, 8, 2, 3
Czech Republic 18, 13, 2, 6
Germany 19, 11, 2, 3
Norway 20, 14, 2, 5
India 20, 14, 2, 5
Italy 20, 15, 2, 7
Hong Kong 26, 21, 2, -
Japan 33, 16, 4, 5
Russia 33, 17, 2, 7
South Korea 46, 27, 2, 5
[Finished in 0.6s]
不是最好的代码，可以进一步改进。但是，该逻辑适用性很好。
希望这可以帮助。
编辑：
如果要使用格式South Korea, 46, 27, 2, 5而不是South Korea 46, 27, 2, 5（请,在国家/地区名称后注意），只需更改以下内容：
storeRank.append(row.get_text().strip())
对此：
storeRank.append(row.get_text().strip() + ",")
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句