Python实现简单HTML表格解析

　　本文实例讲述了Python实现简单HTML表格解析的方法。分享给大家供大家参考。具体分析如下：

　　这里依赖libxml2dom，确保首先安装!导入到你的脚步并调用parse_tables() 函数。　　1. source = a string containing the source code you can pass in just the table or the entire page code　　2. headers = a list of ints OR a list of strings　　If the headers are ints this is for tables with no header, just list the 0 based index of the rows in which you want to extract data.　　If the headers are strings this is for tables with header columns (with the tags) it will pull the information from the specified columns　　3. The 0 based index of the table in the source code. If there are multiple tables and the table you want to parse is the third table in the code then pass in the number 2 here　　It will return a list of lists. each inner list will contain the parsed information.　　具体代码如下：　　?　　1　　2　　3　　4　　5　　6　　7　　8　　9　　10　　11　　12　　13　　14　　15　　16　　17　　18　　19　　20　　21　　22　　23　　24　　25　　26　　27　　28　　29　　30　　31　　32　　33　　34　　35　　36　　37　　38　　39　　40　　41　　42　　43　　44　　45　　46　　47　　48　　49　　50　　51　　52　　53　　54　　55　　56　　57　　58　　59　　60　　61　　62　　63　　64　　65　　66　　67　　68　　69　　70　　71　　72　　73　　74　　75　　76　　77　　78　　79　　80　　81　　82　　83　　84　　85　　86　　87　　88　　89　　90　　91　　92　　93　　94　　95　　96　　97　　98　　99　　100　　101　　102　　103　　104　　105　　106　　107　　108　　109　　110　　111　　112　　113　　114　　115　　116　　117　　118#The goal of table parser is to get specific information from specific　　#columns in a table.　　#Input: source code from a typical website　　#Arguments: a list of headers the user wants to return　　#Output: A list of lists of the data in each row　　import libxml2dom　　def parse_tables(source, headers, table_index):　　"""parse_tables(string source, list headers, table_index)　　headers may be a list of strings if the table has headers defined or　　headers may be a list of ints if no headers defined this will get data　　from the rows index.　　This method returns a list of lists　　"""　　#Determine if the headers list is strings or ints and make sure they　　#are all the same type　　j = 0　　print 'Printing headers: ',headers　　#route to the correct function　　#if the header type is int　　if type(headers[0]) == type(1):　　#run no_header function　　return no_header(source, headers, table_index)　　#if the header type is string　　elif type(headers[0]) == type('a'):　　#run the header_given function　　return header_given(source, headers, table_index)　　else:　　#return none if the headers aren't correct　　return None　　#This function takes in the source code of the whole page a string list of　　#headers and the index number of the table on the page. It returns a list of　　#lists with the scraped information　　def header_given(source, headers, table_index):　　#initiate a list to hole the return list　　return_list = []　　#initiate a list to hold the index numbers of the data in the rows　　header_index = []　　#get a document object out of the source code　　doc = libxml2dom.parseString(source,html=1)　　#get the tables from the document　　tables = doc.getElementsByTagName('table')　　try:　　#try to get focue on the desired table　　main_table = tables[table_index]　　except:　　#if the table doesn't exits then return an error　　return ['The table index was not found']　　#get a list of headers in the table　　table_headers = main_table.getElementsByTagName('th')　　#need a sentry value for the header loop　　loop_sentry = 0　　#loop through each header looking for matches　　for header in table_headers:　　#if the header is in the desired headers list　　if header.textContent in headers:　　#add it to the header_index　　header_index.append(loop_sentry)　　#add one to the loop_sentry　　loop_sentry+=1　　#get the rows from the table　　rows = main_table.getElementsByTagName('tr')　　#sentry value detecting if the first row is being viewed　　row_sentry = 0　　#loop through the rows in the table, skipping the first row　　for row in rows:　　#if row_sentry is 0 this is our first row　　if row_sentry == 0:　　#make the row_sentry not 0　　row_sentry = 1337　　continue　　#get all cells from the current row　　cells = row.getElementsByTagName('td')　　#initiate a list to append into the return_list　　cell_list = []　　#iterate through all of the header index's　　for i in header_index:　　#append the cells text content to the cell_list　　cell_list.append(cells[i].textContent)　　#append the cell_list to the return_list　　return_list.append(cell_list)　　#return the return_list　　return return_list　　#This function takes in the source code of the whole page an int list of　　#headers indicating the index number of the needed item and the index number　　#of the table on the page. It returns a list of lists with the scraped info　　def no_header(source, headers, table_index):　　#initiate a list to hold the return list　　return_list = []　　#get a document object out of the source code　　doc = libxml2dom.parseString(source, html=1)　　#get the tables from document　　tables = doc.getElementsByTagName('table')　　try:　　#Try to get focus on the desired table　　main_table = tables[table_index]　　except:　　#if the table doesn't exits then return an error　　return ['The table index was not found']　　#get all of the rows out of the main_table　　rows = main_table.getElementsByTagName('tr')　　#loop through each row　　for row in rows:　　#get all cells from the current row　　cells = row.getElementsByTagName('td')　　#initiate a list to append into the return_list　　cell_list = []　　#loop through the list of desired headers　　for i in headers:　　try:　　#try to add text from the cell into the cell_list　　cell_list.append(cells[i].textContent)　　except:　　#if there is an error usually an index error just continue　　continue　　#append the data scraped into the return_list　　return_list.append(cell_list)　　#return the return list　　return return_list　　希望本文所述对大家的Python程序设计有所帮助。