? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?Beautifulsoup 網(wǎng)頁表格的解析

眾所周知網(wǎng)頁的表格標(biāo)簽里的文本需要按照表格的大小逐行逐列解析才能得到結(jié)構(gòu)化的數(shù)據(jù)否則得到的內(nèi)容則會(huì)錯(cuò)位。

原始網(wǎng)頁:

代碼示例：

if len(potentialtable) > 0:##print(str(tableContent[1]).replace('\xa0',' '))for tab in potentialtable:x = (len(tab.findAll('tr')))startidx = tab.sourcelinestrtemp = ""relend = 0realtabsize = 0print(tab.name + "\t where is my way")if (tab.name == 'table'):realtabsize = realtabsize + 1for row in tab.findAll('tr')[0:x]:y = (len(row.findAll('td')))if y == 0 or y == 1:endidx = row.sourcelineelse:endidx = row.findAll('td')[-1].sourcelineprint('endidx\t'+str(endidx))lastrow = row.findAll('td')[-1]lenchild=len(lastrow.find_all(lambda x: x.name != '', recursive=False))if lenchild >0:for i in lastrow.descendants:typename = str(type(i)).replace("<class 'bs4.element.", '').replace("'>", '')if (typename == 'NavigableString'):continueelse:relend = i.sourcelineprint('relend\t'+str(relend))else:relend =0for td in row.findAll('td')[0:y]:strtemp = strtemp + td.get_text().replace('\n', '') + "\t"strtemp = strtemp.rstrip('\t') + "\01" # + "^"relend = endidx if (relend == 0) else relendnewpd = pd.DataFrame({"bindid": bidid + '_' + str(catalog)[::-1][0], "start": startidx, "end": relend,"cont": strtemp.replace('\xa0', ' '), 'catalog': 4, 'realbindid': bidid,'bindkind': str(catalog)[::-1][0]}, index=["0"])df_htmlreplace = df_htmlreplace.append(newpd, ignore_index=True, sort=True)

執(zhí)行結(jié)果(\t分割)：

合同編號(hào)： BZGC2019042-01 合同名稱： 消防改造工程第1標(biāo)段 標(biāo)段（包）名稱： 消防改造工程第1標(biāo)段 標(biāo)段（包）編號(hào)： BZGC2019042-01 合同甲方名稱： 人民醫(yī)院 合同乙方名稱： 金沙灘科技有限公司 合同金額： 852633.7 金額單位： 元 合同期限（天）： 100 合同簽署日期： 2019年08月19日 合同完成日期： 2020年04月30日 質(zhì)量要求： 工程質(zhì)量符合達(dá)到國家現(xiàn)行有關(guān)施工質(zhì)量驗(yàn)收規(guī)范標(biāo)準(zhǔn)

總結(jié)

以上是生活随笔為你收集整理的Beautifulsoup 网页表格的解析的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。