将 HTML 表格转换为可读纯文本的 Python 解决方案

Question

我正在寻找一种方法将 HTML 表格干净地转换为可读的纯文本。

即给定一个输入:

<table>
    <tr>
        <td>Height:</td>
        <td>200</td>
    </tr>
    <tr>
        <td>Width:</td>
        <td>440</td>
    </tr>
</table>

我期望输出:

Height: 200
Width: 440

我宁愿不使用外部工具，例如w3m -dump file.html，因为它们 (1) 依赖于平台，(2) 我想对该过程进行一些控制，并且 (3) 我认为它可以单独使用 Python 或没有额外的模块。

我不需要任何自动换行或可调整的单元格分隔符宽度。使用制表符作为单元格分隔符就足够了。

更新

这是针对旧用例的旧问题。鉴于pandas provides the read_html method ，我现在的答案肯定是 pandas-based .

Answer 1

如何使用这个:

Parse HTML table to Python list?

但是，使用 collections.OrderedDict() 而不是简单的字典来保持顺序。有了字典后，就可以非常容易地从中获取文本并对其进行格式化:

使用@Colt 45的解决方案:

import xml.etree.ElementTree
import collections

s = """\
<table>
    <tr>
        <th>Height</th>
        <th>Width</th>
        <th>Depth</th>
    </tr>
    <tr>
        <td>10</td>
        <td>12</td>
        <td>5</td>
    </tr>
    <tr>
        <td>0</td>
        <td>3</td>
        <td>678</td>
    </tr>
    <tr>
        <td>5</td>
        <td>3</td>
        <td>4</td>
    </tr>
</table>
"""

table = xml.etree.ElementTree.XML(s)
rows = iter(table)
headers = [col.text for col in next(rows)]
for row in rows:
    values = [col.text for col in row]
    for key, value in collections.OrderedDict(zip(headers, values)).iteritems():
        print key, value

输出:

Height 10
Width 12
Depth 5
Height 0
Width 3
Depth 678
Height 5
Width 3
Depth 4