python - 如何在 Python 中将 HTML 表格转换为数组

Question

我有一个 html 文档，我想从该文档中提取表格并将它们作为数组返回。我正在描绘 2 个函数，一个用于查找文档中的所有 html 表格，另一个用于将 html 表格转换为二维数组。

是这样的:

htmltables = get_tables(htmldocument)
for table in htmltables:
    array=make_array(table)

有两个问题:1. 数字表每天都在变化2. 表格有各种奇怪的额外格式，如粗体和闪烁标签，随机添加。

谢谢!

Answer 1

使用BeautifulSoup (我推荐 3.0.8)。查找所有表很简单:

import BeautifulSoup

def get_tables(htmldoc):
    soup = BeautifulSoup.BeautifulSoup(htmldoc)
    return soup.findAll('table')

但是，在 Python 中，一个 array是一维的并且被限制为非常基本的类型作为项目(整数、 float 、that elementary)。所以没有办法在 Python array 中压缩 HTML 表格。

也许您指的是 Python list？这也是一维的，但任何东西都可以是一个项目，所以你可以有一个列表列表(每个 tr 标签一个子列表，我想，每个 td 包含一个项目标签)。

那会给出:

def makelist(table):
  result = []
  allrows = table.findAll('tr')
  for row in allrows:
    result.append([])
    allcols = row.findAll('td')
    for col in allcols:
      thestrings = [unicode(s) for s in col.findAll(text=True)]
      thetext = ''.join(thestrings)
      result[-1].append(thetext)
  return result

这可能还不是您想要的(不跳过 HTML 注释，子列表的项目是 unicode 字符串而不是字节字符串等)但它应该很容易调整。