如何解析这个？尝试使用 BeautifulSoup 和 Python 从非 HTML 网页中提取数据

Question

BeautifulSoup & HTML 新手，我以前从未见过这种类型的页面。我正在尝试从威斯康星州戴恩县的 2008 年总统竞选中提取数据。

链接：https://www.countyofdane.com/clerk/elect2008d.html

总统竞选的数据似乎在硬编码表中？它不存储在 HTML 标记之间，或者我之前遇到的任何内容之间。

我可以以某种方式通过迭代< !-- #--> 来提取数据吗？我应该将页面保存为 HTML 文件并在表格周围添加一个 body 标记以便更容易解析吗？

Answer 1

这个问题实际上来自 文本解析，因为表格是 纯文本 在 pre 元素内的。

您可以从这里开始。这个想法是通过使用----- 标题和表格后面的空行来检测表格的开头和结尾。大致如下：

import re

from bs4 import BeautifulSoup
import requests
from ppprint import pprint

url = "https://www.countyofdane.com/clerk/elect2008d.html"
response = requests.get(url)

soup = BeautifulSoup(response.content, "html.parser")

is_table_row = False

tables = []
for line in soup.pre.get_text().splitlines():
    # beginning of the table
    if not is_table_row and "-----" in line:
        is_table_row = True
        table = []
        continue

    # end of the table
    if is_table_row and not line.strip():
        is_table_row = False
        tables.append(table)
        continue

    if is_table_row:
        table.append(re.split("\s{2,}", line))  # splitting by 2 or more spaces

pprint(tables)

这将打印一个列表列表 - 一个包含每个表的数据行的子列表：

[
    [
        ['0001 T ALBION WDS 1-2', '753', '315', '2', '4', '1', '0', '5', '2', '0', '1'],
        ['0002 T BERRY WDS 1-2', '478', '276', '0', '0', '0', '0', '2', '0', '0', '1'],
        ...
        ['', 'CANDIDATE TOTALS', '205984', '73065', '435', '983', '103', '20', '1491', '316', '31', '511'],
        ['', 'CANDIDATE PERCENT', '72.80', '25.82', '.15', '.34', '.03', '.52', '.11', '.01', '.18']],
    [
        ['0001 T ALBION WDS 1-2', '726', '323', '0'],
        ['0002 T BERRY WDS 1-2', '457', '290', '1'],
        ['0003 T BLACK EARTH', '180', '107', '0'],
        ...
    ],
    ...
]

当然，这不包括表格名称和对角线标题，这可能很难获得，但并非不可能。另外，您可能希望将总行与表的其他数据行分开。无论如何，我认为这对您来说是一个很好的开始示例。