Question

我当时认为lxml最适合这个目的，但我愿意接受更好的建议。基本上我想从一个看起来如下的表中提取值 - （已经在python变量中）：

<thead><tr> .... </tr></thead>
<tbody>
<tr><td>col1val1</td><td>col2val1</td></tr>
<tr><td>col1val2</td><td>col2val2</td></tr>
<tr><td>col1val3</td><td>col2val3</td></tr>
</tbody>

现在thead和tbody标签在路上并且不需要，所以不知何故我需要首先切掉这些标签，然后一次遍历所有tr的一行。我需要对每个完整的数据行执行操作（插入到数据库），然后再转到下一行。

我认为前两个答案不起作用，因为html表是unicode对象格式。

Answer 1

使用lxml.html：

的示例

from lxml import html

tree = html.fromstring('<html>Your HTML code</html>')
rows = tree.xpath('//table/tr') #update your table XPath here
records = []
for row in rows:
    cells = [c for c in row.xpath('./td/text()') if c.strip()]
    # do something with cells content

Answer 2

使用正则表达式：

import re 

s = """<thead><tr> .... </tr></thead>
<tbody>
<tr><td>col1val1</td><td>col2val1</td></tr>
<tr><td>col1val2</td><td>col2val2</td></tr>
<tr><td>col1val3</td><td>col2val3</td></tr>
</tbody> """

lines = s.splitlines()
for line in lines[2:]:
    #print line
    match = re.findall("<td>(.+?)</td>", line)
    for m in match:
        print m

python从html表中提取值

2 个答案: