Question

我尝试从html中的表中读取数据。我定期阅读，表长度总是变化，我不知道它的长度。但是表格始终采用相同的格式，因此我尝试识别某些模式并根据其位置读取数据。 html的格式为：

<head>
<title>Some webside</title>
</head>
<body 
<tr><td> There are some information coming here</td></tr>
<tbody><table>
<tr><td><a href="d?k=101">First</a></td><td>London</td><td>24</td><td>3</td><td>19:00</td><td align="center"></td></tr>
<tr bgcolor="#cccccc"><td><a href="d?k=102">Second</a></td><td>NewYork</td><td>24</td><td>4</td><td>20:13</td><td align="center"></td></tr>
<tr><td><a href="d?k=201">Some surprise</a></td><td>Swindon</td><td>25</td><td>5</td><td>20:29</td><td align="center"></td></tr>
<tr bgcolor="#cccccc"><td><a href="d?k=202">Third</a></td><td>Swindon</td><td>24</td><td>6</td><td>20:45</td><td align="center"></td></tr>
</tbody></table>
<tr><td> There are some information coming here</td></tr>
</body>

我将html转换为字符串然后检查数据，但我只想读一遍。我的代码是：

def ReadTable(m):
    refList = []
    firstId = 1
    nextId = 2
    k = 1
    helper = 1
    while firstId != nextId:
        row = []
        helper = m.find('<td><a href="d?k=', helper) + 17
        end_helper = m.find('">', helper)
        rowId = m[helper : end_helper]
        if k == 1:          # to check if looped again
            firstId = rowId
        else:
            nextId = rowId      
        row.append(rowId)
        helper = end_helper + 2
        end_helper = m.find('</a></td><td>', helper)
        rowPlace = m[helper : end_helper]
        row.append(rowPlace)
        helper = m.find('</a></td><td>', end_helper) + 13
        end_helper = m.find('</td><td>', helper)
        rowCity = m[helper : end_helper]
        row.append(rowCity)
        helper = end_helper + 9
        end_helper = m.find('</td><td>', helper)
        rowDay = m[helper : end_helper]
        row.append(rowDay)
        helper = end_helper + 9
        end_helper = m.find('</td><td>', helper)
        rowNumber = m[helper : end_helper]
        row.append(rowNumber)
        helper = end_helper + 9
        end_helper = m.find('</td>', helper)
        rowTime = m[helper : end_helper]
        row.append(rowTime)
        refList.append(row)
        k +=1
    return refList

if __name__ == '__main__':
    filePath = '/home/m/workspace/Tests/mainP.html'
    fileRead = open(filePath)
    myString = fileRead.read()
    print myString
    refList = ReadTable(myString)
    print 'Final List = %s' % refList

我希望结果作为一个包含4个列表的列表：

Final List = [['101', 'First', 'London', '24', '3', '19:00'], ['102', 'Second', 'NewYork', '24', '4', '20:13'], ['201', 'Some surprise', 'Swindon', '25', '5', '20:29'], ['202', 'Third', 'Swindon', '24', '6', '20:45']]

我希望在第一次循环后再次读取字符串并再次找到firstId，我的while-loop将终止。相反，我有无限循环，我的列表开始看起来像这样：

Final List = [['101', 'First', 'London', '24', '3', '19:00'], ['102', 'Second', 'NewYork', '24', '4', '20:13'], ['201', 'Some surprise', 'Swindon', '25', '5', '20:29'], ['202', 'Third', 'Swindon', '24', '6', '20:45'], ['me webside</title>\n</head>\n<body \n<tr><td> There are some information coming here</td></tr>\n<tbody><table>\n<tr><td><a href="d?k=101', 'First', 'London', '24', '3', '19:00'], ['102', 'Second', 'NewYork', '24', '4', '20:13']...

我不明白为什么我的helper开始这样做，我无法弄清楚应该如何编写这样的程序。你能建议一个好的/有效的方法来编写它或修复我的循环吗？

Answer 1

我建议你花点时间看LXML。它允许您查看html文件中的所有表，并使用构成表的事物的子元素（如行和单元格）

LXML不难使用，它允许您使用

输入字符串

html.fromstring(somestring)

此外，有很多lxml问题已在SO上提出并回答，因此不难找到合适的例子

Answer 2

您没有检查查找的返回值，并且在找不到匹配项时返回-1。 http://docs.python.org/2/library/string.html#string.find 失败时返回-1

我更新了代码的这一部分，它会按照您的预期返回。下面的第一行和最后一行与您上面的内容相匹配，因此您可以找到替代品。

    row = []
    helper = m.find('<td><a href="d?k=', helper)
    if helper == -1:
        break
    helper += 17
    end_helper = m.find('">', helper)

循环一次html作为字符串

2 个答案: