用BeautifulSoup解析HTML表格
问题描述:
我以前使用过BeautifulSoup,但我遇到了新的问题;令人难以置信的通用/最小的HTML表格标记...我的目标是抓住每个值和它的标签(每个都有自己的TD)并将它们打印出来......它们可以合并,我不在乎,我只是想让确保每个标签都应用于正确的值。下面是一个例子表:用BeautifulSoup解析HTML表格
<tbody><tr>
<td class="labels">Dawn:</td>
<td class="site_data" style="text-align: left;">07:01</td>
<td class="labels">Sunrise:</td>
<td class="site_data" style="text-align: left;">07:26</td>
<td class="labels">Moonrise:</td>
<td class="site_data" style="text-align: left;">14:29</td>
<td rowspan="3"><img src="images/moon.bmp" alt="Moon" width="64" align="left" border="0" height="64" style="margin: 0px 10px" /></td>
</tr>
<tr>
<td class="labels">Dusk:</td>
<td class="site_data" style="text-align: left;">18:27</td>
<td class="labels">Sunset: </td>
<td class="site_data" style="text-align: left;">18:02</td>
<td class="labels">Moonset:</td>
<td class="site_data" style="text-align: left;">01:55</td>
</tr>
<tr>
<td class="labels">Daylight:</td>
<td class="site_data" style="text-align: left;">11:26</td>
<td class="labels">Day length:</td>
<td class="site_data" style="text-align: left;">10:36</td>
<td class="labels">Moon Phase:</td>
<td class="site_data" style="text-align: left;">Waxing Gibbous</td>
</tr>
</tbody>
我知道如何抓住这些价值观......
for td in soup.findAll('table')[0]: # theres more than one table on the page
print td.renderContents().strip()
但这只是给了我....
'Dawn:'
'07:01'
'Sunrise:'
'07:26'
'Moonrise:'
'14:29'
'<img src="images/moon.bmp" alt="Moon" width="64" align="left" border="0" height="64" style="margin: 0px 10px" />'
'Dusk:'
'18:27'
'Sunset: '
'18:02'
'Moonset:'
'01:55'
'Daylight:'
'11:26'
'Day length:'
'10:36'
'Moon Phase:'
'Waxing Gibbous'
我想我可以抓住这些班级价值“标签”和“site_data”,但我如何确保标签和数据正确分组?
答
我不是一个BeautifulSoup的专家,但你可以尝试这样的事:
for label in soup.findAll('table')[0].findAll('td', attrs={'class' : 'labels'}):
data_sibs = label.findNextSiblings(attrs={'class' : 'site_data'})
if len(data_sibs) > 0:
print label.renderContents().strip() + " " + data_sibs[0].renderContents().strip()
编辑:
测试,将产生以下:
Dawn: 07:01
Sunrise: 07:26
Moonrise: 14:29
etc..
答
以下应该更简单,更容易遵循:
import pprint
from BeautifulSoup import BeautifulSoup
soup = BeautifulSoup(docTxt)
groupedData = []
for row in soup.findAll("tr"):
data = {}
allTDs = row.findAll("td")
for x in range(0, len(allTDs)-1, 2):
data[allTDs[x].renderContents().strip()] = allTDs[x+1].renderContents().strip()
groupedData.append(data)
pprint.pprint(groupedData)
输出:
[{'Dawn:': '07:01', 'Moonrise:': '14:29', 'Sunrise:': '07:26'},
{'Dusk:': '18:27', 'Moonset:': '01:55', 'Sunset: ': '18:02'},
{'Day length:': '10:36',
'Daylight:': '11:26',
'Moon Phase:': 'Waxing Gibbous'}]