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。
类似这样的：
htmltables = get_tables(htmldocument)
for table in htmltables:
array=make_array(table)
有 2 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，比如粗体和闪烁标签，随机扔进去。
谢谢！
【问题讨论】：
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，array 是一维的，并且仅限于作为项目的基本类型（整数、浮点数、 基本类型）。所以没有办法在 Python array 中压缩 HTML 表格。
也许您的意思是 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（我想每个 tr 标签一个子列表，每个 td 标签包含一个项目）。
这会给出：
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
这可能还不是你想要的（不跳过 HTML cmets，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。
【讨论】：
th 项目而不是td，因此result 中的相应子列表将为空——您可以在for col 循环之后添加if not result[-1]: del result[-1] 以删除此类例如，空行。
Pandas 可以直接将 html 中的所有表格提取到数据框列表中，从而使您不必自己解析页面（重新发明轮子）。 DataFrame 是一种强大的二维数组。
我建议继续通过 Pandas 处理数据，因为它是一个很棒的工具，但如果您愿意，也可以转换为其他格式（列表、字典、csv 文件等）。
示例
"""Extract all tables from an html file, printing and saving each to csv file."""
import pandas as pd
df_list = pd.read_html('my_file.html')
for i, df in enumerate(df_list):
print df
df.to_csv('table {}.csv'.format(i))
直接从网络而不是从文件中获取 html 内容只需要稍作修改：
import requests
html = requests.get('my_url').content
df_list = pd.read_html(html)
【讨论】：
向提问者 +1，向 Python 之神 +1。
想使用 lxml 和 CSS 选择器尝试这个示例。
是的，这与 Alex 的示例大体相同：
import lxml.html
markup = lxml.html.fromstring('''<html><body>\
<table width="600">
<tr>
<td width="50%">0,0,0</td>
<td width="50%">0,0,1</td>
</tr>
<tr>
<td>0,1,0</td>
<td>0,1,1</td>
</tr>
</table>
<table>
<tr>
<td>1,0,0</td>
<td>1,<blink>0,</blink>1</td>
<td>1,0,2</td>
<td><bold>1</bold>,0,3</td>
</tr>
</table>
</body></html>''')
tbl = []
rows = markup.cssselect("tr")
for row in rows:
tbl.append(list())
for td in row.cssselect("td"):
tbl[-1].append(unicode(td.text_content()))
pprint(tbl)
#[[u'0,0,0', u'0,0,1'],
# [u'0,1,0', u'0,1,1'],
# [u'1,0,0', u'1,0,1', u'1,0,2', u'1,0,3']]
【讨论】：
list() 而不是普通的[] 很奇怪。