如何使用 Python 解析带有表格的 HTML 文件答案

【问题标题】：How to parse a HTML file with table using Python如何使用 Python 解析带有表格的 HTML 文件
【发布时间】：2011-05-07 11:04:35
【问题描述】：

我有一个带有表格的 html 文件（它很大，所以只给出了示例代码）。我想检索表中的值。我尝试了 python 中的 HTMLParser 库。

我开始像下面这样编码。然后我发现属性“类”与系统定义的关键字相同。所以它给了我错误。

class MyHTMLParser(HTMLParser):

    def handle_starttag(self, tag, attrs):
        if tag == 'tr':
            for class in attrs:
                if class == 'Table_row'

p = MyHTMLParser()
p.feed(ht)

表格的 HTML 代码

<table class="Table_rows" cellspacing="0" rules="all" border="1" id="MyDataGrid" style="width:700px;border-collapse:collapse;">

                    <tr class="Table_Heading">

                        <td>STATION CODE</td><td>STATION NAME</td><td>SCHEDULED ARRIVAL</td><td>SCHEDULED DEPARTURE</td><td>ACTUAL/ EXPECTED ARRIVAL</td><td>ACTUAL/ EXPECTED DEPARTURE</td>

                    </tr><tr class="Table_row">

                        <td>TVC </td><td style="width:160px;">ORIGON</td><td>Starting Station </td><td>05:00, 07 May 2011</td><td>Starting Station</td><td>05:00, 07 May 2011</td>

                    </tr><tr class="alternat_table_row">

                        <td>TVP </td><td>NEY YORK</td><td>05:04, 07 May 2011</td><td>05:05, 07 May 2011</td><td>05:04, 07 May 2011</td><td>05:05, 07 May 2011</td>

</tr>               
</table>

更新

如何获取标签之间的数据？

【问题讨论】：

我写了一个小而简单的 HTML 表格解析器，不需要任何外部模块：github.com/schmijos/html-table-parser-python3/blob/master/…

标签： python html parsing html-parsing

【解决方案1】：

请注意，handle_starttag 方法的文档说明：

tag 参数是标签转换为小写。属性参数是（名称，值）的列表包含找到的属性的对在标签的括号内。

所以，您可能正在寻找类似的东西：

from HTMLParser import HTMLParser

class MyHTMLParser(HTMLParser):
    def handle_starttag(self, tag, attrs):
        if tag == 'tr':
            for name, value in attrs:
                if name == 'class':
                    print 'Found class', value

p = MyHTMLParser()
p.feed(ht)

打印：

Found class Table_Heading
Found class Table_row
Found class alternat_table_row

附：我还推荐 BeautifulSoup 使用 Python 解析 HTML。

【讨论】：

如何打印STATION CODE STATION NAME ORIGON ...之类的值？
@user567879：你可以找到td标签并处理它们
抱歉这个愚蠢的问题。我想要的是我需要处理（无法找到打印值 b/w 标签的方法）表标签之间的 td 标签。如何处理这种嵌套？
@user567879：不知道你到底在问什么……我还是推荐看看 BeautifulSoup——它为 HTML 处理提供了更高级别的 API。与它相比，HTMLParser 使用起来相当尴尬
我只想在class=Table_Heading或class=Table_row或class=alternate_table_row时打印tr标签中的数据。我可以使用和 cluause 使其工作吗？

【解决方案2】：

如何打印像 STATION 这样的值代码站名称 ORIGON ...?.

BeautifulSoup 可以这样做。

from BeautifulSoup import BeautifulSoup

html = '''\
<td>STATION CODE</td><td>STATION NAME</td><td>SCHEDULED ARRIVAL</td><td>SCHEDULED DEPARTURE</td><td>ACTUAL/ EXPECTED ARRIVAL</td><td>ACTUAL/ EXPECTED DEPARTURE</td>
</tr><tr class="Table_row">
<td>TVC </td><td style="width:160px;">ORIGON</td><td>Starting Station </td><td>05:00, 07 May 2011</td><td>Starting Station</td><td>05:00, 07 May 2011</td>
'''

soup = BeautifulSoup(html)
tag = soup.findAll('td', limit=2)
tag_O = soup.findAll('td')[7]

for i in range(len(tag)):
    print tag[i].string
print tag_O.string

'''Output-->
STATION CODE
STATION NAME
ORIGON
'''

【讨论】：

【解决方案3】：

我强烈推荐使用 BeautifulSoup 库。它甚至可以轻松处理损坏的 HTML。

http://www.crummy.com/software/BeautifulSoup/

【讨论】：