我想从包含多个表的html文档中提取一个特定的表,但遗憾的是没有标识符。但是有一个表格标题。我似乎无法弄明白。
这是一个示例html文件
<BODY>
<TABLE>
<TH>
<H3> <BR>TABLE 1 </H3>
</TH>
<TR>
<TD>Data 1 </TD>
<TD>Data 2 </TD>
</TR>
<TR>
<TD>Data 3 </TD>
<TD>Data 4 </TD>
</TR>
<TR>
<TD>Data 5 </TD>
<TD>Data 6 </TD>
</TR>
</TABLE>
<TABLE>
<TH>
<H3> <BR>TABLE 2 </H3>
</TH>
<TR>
<TD>Data 7 </TD>
<TD>Data 8 </TD>
</TR>
<TR>
<TD>Data 9 </TD>
<TD>Data 10 </TD>
</TR>
<TR>
<TD>Data 11 </TD>
<TD>Data 12 </TD>
</TR>
</TABLE>
</BODY>
我可以使用beautifulSoup 4来获取id或name的表格,但我只需要一个只能通过位置识别的表格。
我知道我可以获得第一张表:
tmp = f.read()
soup = BeautifulSoup(tmp) ## make it readable
table = soup.find('table') ### gets first table
但我怎样才能获得第二张桌子?
答案 0 :(得分:2)
您可以依赖表格标题。
通过文本查找元素将函数作为text
argument值传递,然后获取parent:
table_name = "TABLE 1"
table = soup.find(text=lambda x: x and table_name in x).find_parent('table')
答案 1 :(得分:0)
如果它只能通过位置识别,这意味着它始终是网站的第二个表格,您可以这样做:
tmp = f.read()
soup = BeautifulSoup(tmp)
# this will return the second table from the website
all_tables = soup.find_all('table')
second_table = all_tables[1]