美丽的汤在一个表中

Question

对于下面的一段HTML代码捕获空值，我用beautifulsoup捕捉表信息：

<table> 
<tr> 
<td><b>Code</b></td> 
<td><b>Display</b></td> 
</tr> 
<tr> 
<td>min</td> 
<td>Minute</td><td/> 
</tr> 
<tr> 
<td>happy </td> 
<td>Hour</td><td/> 
</tr> 
<tr> 
<td>daily </td> 
<td>Day</td><td/> 
</tr> 

这是我的代码：

comments = [td.get_text() for td in table.findAll("td")] 
Comments=[data.encode('utf-8') for data in comments] 

正如你看到的，该表有两个标题：“代码和显示”和一些行中的值。我的代码的期望输出应该是[代码，显示，分，分，快乐，小时，日，日]

但这是输出：

['Code', 'Display', 'min', 'Minute', '', 'happy ', 
'Hour', '', 'daily ', 'Day', ''] 

输出有“”在5日，第八和第十一个评论指数在本表中没有定义。我认为这可能是因为</td><td/>。 如何更改代码以便在输出中不捕获u''？

Answer 1

对不起，我没有仔细阅读你的问题。你是对的，问题是空的<td/>标签。只要调整您的发电机，只包括细胞的文字：

comments = [td.get_text() for td in table.findAll('td') if td.text] 

---

编辑：我怀疑这是做的最有效的方式，但这样只会包括TDS具有文本或相应的TD在第一行。

ths = table.tr.find_all('td') 
tds_in_row = len(table.tr.next_sibling.find_all('td')) 

tds = [ 
    td.get_text() 
    for i, td in enumerate(table.find_all('td')) 
    if len(ths) > (i + 1) % tds_in_row or td.text 
]