使用Python提取HTML表格BeautifulSoup

Question

我想从网页中提取表格。下面是使用beautifulsoup的HTML和Python代码。下面的代码总是为我工作，但在这种情况下，我变得空白。提前致谢。

<table> 
<thead> 
<tr> 
<th>Period Ending:</th> 
<th class="TalignL">Trend</th> 
<th>9/27/2014</th> 
<th>9/28/2013</th> 
<th>9/29/2012</th> 
<th>9/24/2011</th> 
</tr> 
</thead> 
<tr> 
<th bgcolor="#E6E6E6">Total Revenue</th> 
<td class="td_genTable"><table border="0" align="center" width="*" cellspacing="0" cellpadding="0"><tr><td align="bottom"><table border="0" height="100%" cellspacing="0" cellpadding="0"><tr><td><table cellspacing="0" cellpadding="0" border="0"><tr><td height="15" bgcolor="#47C3D3" width="6"></td><td height="15" bgcolor="#FFFFFF" width="1px"></td></tr><tr><td height="1" colspan="2" bgcolor="#D1D1D1"></td></tr></table></td><td><table cellspacing="0" cellpadding="0" border="0"><tr><td height="1" bgcolor="#FFFFFF" width="6"></td><td height="1" bgcolor="#FFFFFF" width="1px"></td></tr><tr><td height="14" bgcolor="#47C3D3" width="6"></td><td height="14" bgcolor="#FFFFFF" width="1px"></td></tr><tr><td height="1" colspan="2" bgcolor="#D1D1D1"></td></tr></table></td><td><table cellspacing="0" cellpadding="0" border="0"><tr><td height="2" bgcolor="#FFFFFF" width="6"></td><td height="2" bgcolor="#FFFFFF" width="1px"></td></tr><tr><td height="13" bgcolor="#47C3D3" width="6"></td><td height="13" bgcolor="#FFFFFF" width="1px"></td></tr><tr><td height="1" colspan="2" bgcolor="#D1D1D1"></td></tr></table></td><td><table cellspacing="0" cellpadding="0" border="0"><tr><td height="7" bgcolor="#FFFFFF" width="6"></td><td height="7" bgcolor="#FFFFFF" width="1px"></td></tr><tr><td height="8" bgcolor="#47C3D3" width="6"></td><td height="8" bgcolor="#FFFFFF" width="1px"></td></tr><tr><td height="1" colspan="1" bgcolor="#D1D1D1"></td></tr></table></td></tr></table></td></tr></table></td> 
<td>$182,795,000</td> 
<td>$170,910,000</td> 
<td>$156,508,000</td> 
<td>$108,249,000</td> 

rows = table.findAll('tr') 

    for row in rows: 
     cols = row.findAll('td') 
     col1 = [ele.text.strip().replace(',','') for ele in cols] 

     account = col1[0:1] 
     period1 = col1[2:3] 
     period2 = col1[3:4] 
     period3 = col1[4:5] 

     record = (stock, account,period1,period3,period3) 
     print record 

Answer 1

添加到什么@abarnert指出。我会得到所有的td元素与文本开始$：

for row in soup.table.find_all('tr', recursive=False): 
    record = [td.text.replace(",", "") for td in row.find_all("td", text=lambda x: x and x.startswith("$"))] 
    print record 

对于您所提供的输入，它打印：

[u'$182795000', u'$170910000', u'$156508000', u'$108249000'] 

，你可以“解压缩”成独立的变量：

account, period1, period2, period3 = record 

请注意，我明确地通过recursive=False，以避免深入树中，只得到tr孩子的table元素。

Answer 2

你的第一个问题是：find_all（或findAll，这仅仅是同样的事情被弃用的代名词），不只是发现在表中的行，发现在表和内它的每一个子表中的行。你几乎肯定不想迭代两种行，并在每一行上运行相同的代码。如果你不想要那样，the recursive argument文档说，通过recursive=False。

所以，现在你只回到一行。如果你做row.find_all('td')，那又会有同样的问题 - 你会找到这一行的所有列，以及其中一列中的每个子表中的每一行的所有列。再次，这不是你想要的，所以使用recursive=False。

现在你回来只有5列。第一个只是一个大桌子，里面有一大堆空单元;另一方面，其他人拥有美元价值，这似乎是你想要的。

---

所以，仅仅增加recursive=False到两个呼叫，并设置stock的东西（我不知道它应该来自于你的代码，但没有它你显然会先手NameError ）：

stock = 'spam' 

rows = table.find_all('tr', recursive=False) 

for row in rows: 
    cols = row.findAll('td', recursive=False) 
    col1 = [ele.text.strip().replace(',','') for ele in cols] 

    account = col1[0:1] 
    period1 = col1[2:3] 
    period2 = col1[3:4] 
    period3 = col1[4:5] 

    record = (stock, account,period1,period3,period3) 

    print record 

这将打印：

('spam', [''], ['$170910000'], ['$108249000'], ['$108249000']) 

我不知道为什么你使用period3两次，从未使用过period2，为什么你完全跳过了第1列，或者你为什么要切分1元素列表而不是索引值，但无论如何，这似乎就是你想要做的。

---

作为一个侧面说明，如果你真的想打出来的清单到5个值，而不是进入4跳过的一个值1元的列表，你可以写：

account, whatever, period1, period2, period3 = col