如何从不同的页面中提取表格？ （Python）

Question

我想提取http://上的第一个服务页面的表格

这些表格已被下面的代码抓取，它们在一个列表中， 导入 urllib 从 bs4 导入 BeautifulSoup

base_url = "http://"
url_list = ["{}?page={}".format(base_url, str(page)) for page in range(1, 21)]

mega = []
for url in url_list:
    html = urllib.request.urlopen(url).read()
    soup = BeautifulSoup(html, 'html.parser')
    table = soup.find('table', {'class': 'table table-bordered table-striped table-hover'}) 
    mega.append(table)

因为它是一个列表，不能使用 'soup find_all' 来提取我想要的项目，所以我将它们转换为 bs4.element.Tag 以进一步搜索项目

for i in mega:
    trs = table.find_all('tr')[1:]
    rows = list()
    for tr in trs:
        rows.append([td.text.replace('\n', '').replace('\xa0', '').replace('\t', '').strip().rstrip() for td in tr.find_all('td')])
rows

这些行只提取最后一页的表格。我的代码有什么问题，所以之前的 19 个表没有被提取出来？谢谢！

两个项目的长度不相等。我在meaga中用for i来获得i。

len(mega) = 20
len(i) = 5

Answer 1

问题很简单。 在这个 for 循环中：

for i in mega:
    trs = table.find_all('tr')[1:]
    rows = list()
    for tr in trs:
        rows.append([td.text.replace('\n', '').replace('\xa0', '').replace('\t', '').strip().rstrip() for td in tr.find_all('td')])

您在 for 循环中初始化 rows = list()。所以你循环了 21 次，但你也清空了 20 次列表。

所以你需要这样：

rows = list()
for i in mega:
    trs = table.find_all('tr')[1:]
    for tr in trs:
        rows.append([td.text.replace('\n', '').replace('\xa0', '').replace('\t', '').strip().rstrip() for td in tr.find_all('td')])