BeautifulSoup, un dizionario da una tabella HTML

Sto provando a raschiare dati di tabelle da un sito web.BeautifulSoup, un dizionario da una tabella HTML

Ecco una semplice tabella di esempio:

t = '<html><table>' +\ 
    '<tr><td class="label"> a </td> <td> 1 </td></tr>' +\ 
    '<tr><td class="label"> b </td> <td> 2 </td></tr>' +\ 
    '<tr><td class="label"> c </td> <td> 3 </td></tr>' +\ 
    '<tr><td class="label"> d </td> <td> 4 </td></tr>' +\ 
    '</table></html>'

desiderata risultato parse è {' a ': ' 1 ', ' b ': ' 2 ', ' c ': ' 3 ', ' d ' : ' 4' }

Questo è il mio tentativo più vicino finora:

for tr in s.findAll('tr'): 
    k, v = BeautifulSoup(str(tr)).findAll('td') 
    d[str(k)] = str(v)

risultato è:

{'<td class="label"> a </td>': '<td> 1 </td>', '<td class="label"> d </td>': '<td> 4 </td>', '<td class="label"> b </td>': '<td> 2 </td>', '<td class="label"> c </td>': '<td> 3 </td>'}

Sono a conoscenza del parametro text=True di findAll() ma non sto ottenendo i risultati previsti quando lo uso.

Sto usando python 2.6 e BeautifulSoup3.

fonte

2012-08-10 jon

Prova questo:

from BeautifulSoup import BeautifulSoup, Comment 

t = '<html><table>' +\ 
    '<tr><td class="label"> a </td> <td> 1 </td></tr>' +\ 
    '<tr><td class="label"> b </td> <td> 2 </td></tr>' +\ 
    '<tr><td class="label"> c </td> <td> 3 </td></tr>' +\ 
    '<tr><td class="label"> d </td> <td> 4 </td></tr>' +\ 
    '</table></html>' 

bs = BeautifulSoup(t) 

results = {} 
for row in bs.findAll('tr'): 
    aux = row.findAll('td') 
    results[aux[0].string] = aux[1].string 

print results

fonte

2012-08-10 12:43:10 mvillaress

È possibile seguire lo stesso approccio mvillaress, ma migliorarlo un po ', utilizzando List Comprehensions:

from BeautifulSoup import BeautifulSoup 

t = '<html><table>' +\ 
    '<tr><td class="label"> a </td> <td> 1 </td></tr>' +\ 
    '<tr><td class="label"> b </td> <td> 2 </td></tr>' +\ 
    '<tr><td class="label"> c </td> <td> 3 </td></tr>' +\ 
    '<tr><td class="label"> d </td> <td> 4 </td></tr>' +\ 
    '</table></html>' 

bs = BeautifulSoup(t) 
tds = [row.findAll('td') for row in bs.findAll('tr')] 
results = { td[0].string: td[1].string for td in tds } 
print results

fonte

2014-11-18 16:37:04 rjfv

Se stai raschiando una tabella ha un esplicito " thead "e" tbody "come ad esempio:

<table> 
    <thead> 
     <tr> 
      <th>Total</th> 
      <th>Finished</th> 
      <th>Unfinished</th> 
     </tr> 
    </thead> 
    <tbody> 
     <tr> <td>63</td> <td>33</td> <td>2</td> </tr> 
     <tr> <td>69</td> <td>29</td> <td>3</td> </tr> 
     <tr> <td>57</td> <td>28</td> <td>1</td> </tr> 
    </tbody> 
</table>

È possibile utilizzare il seguente:

headers = [header.text_content() for header in table.cssselect("thead tr th")] 
results = [{headers[i]: cell.text_content() for i, cell in enumerate(row.cssselect("td"))} for row in table.cssselect("tbody tr")]

Questo produrrà:

[ 
    {"Total": "63", "Finished": "33", "Unfinished": "2"}, 
    {"Total": "69", "Finished": "29", "Unfinished": "3"}, 
    {"Total": "57", "Finished": "28", "Unfinished": "1"} 
]

P.S. Questo sta usando lxml.html. Se stai usando BeautifulSoup, sostituisci ".text_content()" con ".string" e ".cssselect" con ".findAll".

fonte

2014-11-30 15:27:31

BeautifulSoup, un dizionario da una tabella HTML

risposta

Problemi correlati