python - BeautifulSoup 忽略表内的嵌套表

Question

使用 BeautifulSoup for Python 解析网页(不幸的是，它主要写在表格中)。

这是我正在尝试使用的内容的摘录

<tr>
  <td colspan="4">
    <div class="shortmenucats">
        <span style="color: ">
            -- Fresh Baked Pastries --

        </span>
    </div>
  </td>
</tr>
<tr>  
  <td width="80%" valign="top">
    <table width="100%" cellspacing="0" cellpadding="0" border="0">
        <tbody>
            <tr>
                <td>
                    <div class="shortmenurecipes">
                        <span style="color: #000000"> Chocolate Doughnut Holes </span>
                    </div>
                </td>
            </tr>
        </tbody>
    </table>
  </td>
  <td width="5%" valign="top"></td>
  <td width="10%" valign="top" align="right" colspan="1">
    <div class="shortmenuprices">
        <span style="color: #000000"></span>
    </div>
  </td>
  <td width="5%" valign="top" colspan="1">
  </td>
</tr>

这是一个包含 10 行的表中的两行，它们像那样交替(div in td，table in td，div in td，table in td，等等)。

我正在使用 BeautifulSoup 在父表上调用 find_all，由于嵌套表中的嵌套标签，它会返回每隔一行的重复项。

我首先执行 table.find_all('td', recursive=False) 但根本没有返回任何 s 。如果我在父表上调用 findChildren()，我会得到一个包含一个结果的列表，但结果中包含所有子项。

我做错了什么吗？我不知道如何解决这个问题。

如果你想要我正在解析的实际网站，请看这里: http://138.23.12.141/foodpro/shortmenu.asp?sName=University+of+California%2C+Riverside+Dining+Services&locationNum=02&locationName=Lothian+Residential+Restaurant&naFlag=1

它的编码非常困惑。我只是想解析它。

如有任何帮助，我们将不胜感激。即使它只是一种删除重复项的方法。

谢谢。

Answer 1

您可以通过它们在 HTML 中的深度来识别您的目标表。

下面是一些代码，它将选择嵌套在深度 3 的那些表:

tables = soup.findAll("table")
depth3 = []
for t in tables:
  if len(t.find_parents("table")) == 3:
    depth3.append(t)

对于您的页面，这会导致选择 6 个表格 - 三个用于标题(“早餐”、“午餐”、“晚餐”)和三个用于菜单。它们交替出现 - 标题、菜单、标题、菜单等，因此您可以只处理位置 1、3 和 5 的表格。

现在你的解析应该容易多了。