Python Beautifulsoup htmltable 提取问题

Question

我正在尝试从有点非结构化的 html 表中提取数据。 HTML表格结构如下（示例数据）-

能够提取数据，但面临“ID”列的问题。 “ID”是 2 列的单个标题，该表的结构也不一致。

运行下面的代码 -

#Libraries 
import urllib3, re
import requests
from bs4 import BeautifulSoup,Comment
import pandas as pd
import numpy as np
import re

group_techniques = []
#Loop through the URLs we loaded above
for b in base_url:
    html = requests.get(b).text
    soup = BeautifulSoup(html, "html.parser")
    
#provide the table name we want to scrape
    group_table = soup.find('table', {"class" : "table techniques-used table-bordered mt-2"})

#try clause to skip any url with missing/empty tables
    try:
#loop through table, grab each of the 5 columns shown
        for row in group_table.find_all('tr'):
            cols = row.find_all('td')
            if len(cols) == 5:
                group_techniques.append((b, cols[0].text.strip(), cols[1].text.strip(), cols[2].text.strip(),
                                         cols[3].text.strip(),cols[4].text.strip()))
    except: pass

#convert output to new array
group_tech_array = np.asarray(group_techniques)

#convert array to dataframe
df_grp_tech = pd.DataFrame(group_tech_array)

#rename columns, check output
df_grp_tech.columns = ['Domain','Tech_ID','sub_id','Name','Use']

当我们比较实际输出与预期输出时 -

• 我们缺少原始 html 表中的第 3 行 (T1560)
• 我们缺少原始 html 表中的第 5 行 (T1059) 这是因为复杂的表结构

提取后的实际表结构

预期的表结构

** HTML 表格 ** Here is the link "Table - Techniques Used"

Answer 1

至少在这种情况下，使用 pandas 要简单得多：

tables = pd.read_html('https://attack.mitre.org/groups/G0004/')
tables[1]

就是这样。输出是您的目标表。