我想使用 beautifulsoup 从 html 代码中抓取表格。 html 的片段如下所示。当使用 table.findAll('tr') 时,我得到整个表,而不仅仅是行。 (可能是因为 html 代码中缺少结束标记?)
<TABLE COLS=9 BORDER=0 CELLSPACING=3 CELLPADDING=0>
<TR><TD><B>Artikelbezeichnung</B>
<TD><B>Anbieter</B>
<TD><B>Menge</B>
<TD><B>Taxe-EK</B>
<TD><B>Taxe-VK</B>
<TD><B>Empf.-VK</B>
<TD><B>FB</B>
<TD><B>PZN</B>
<TD><B>Nachfolge</B>
<TR><TD>ACTIQ 200 Mikrogramm Lutschtabl.m.integr.Appl.
<TD>Orifarm
<TD ID=R> 30 St
<TD ID=R> 266,67
<TD ID=R> 336,98
<TD>
<TD>
<TD>12516714
<TD>
</TABLE>
这是我的Python代码来展示我正在努力解决的问题:
soup = BeautifulSoup(data, "html.parser")
table = soup.findAll("table")[0]
rows = table.find_all('tr')
for tr in rows:
print(tr.text)
最佳答案
正如他们的 documentation 中所述html5lib
像 Web 浏览器一样解析文档(就像本例中的 lxml
)。它会在需要时尝试通过添加/关闭标签来修复您的文档树。
在您的示例中,我使用 lxml 作为解析器,它给出了以下结果:
soup = BeautifulSoup(data, "lxml")
table = soup.findAll("table")[0]
rows = table.find_all('tr')
for tr in rows:
print(tr.get_text(strip=True))
请注意,lxml
添加了 html 和 body 标记,因为它们不存在于源代码中(它将尝试创建一个格式良好的文档,如之前所述)。
关于Python - beautifulsoup - 如何处理丢失的结束标签,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43283131/