Question

我有一个带表的html文件（它是一个很大的，所以只给出了示例代码）。我想检索表中的值。我从python尝试了HTMLParser库。

我开始编码如下。然后我发现属性“class”与系统定义的关键字相同。所以它给了我错误。

class MyHTMLParser(HTMLParser):

    def handle_starttag(self, tag, attrs):
        if tag == 'tr':
            for class in attrs:
                if class == 'Table_row'

p = MyHTMLParser()
p.feed(ht)

表格的HTML代码

<table class="Table_rows" cellspacing="0" rules="all" border="1" id="MyDataGrid" style="width:700px;border-collapse:collapse;">

                    <tr class="Table_Heading">

                        <td>STATION CODE</td><td>STATION NAME</td><td>SCHEDULED ARRIVAL</td><td>SCHEDULED DEPARTURE</td><td>ACTUAL/ EXPECTED ARRIVAL</td><td>ACTUAL/ EXPECTED DEPARTURE</td>

                    </tr><tr class="Table_row">

                        <td>TVC </td><td style="width:160px;">ORIGON</td><td>Starting Station </td><td>05:00, 07 May 2011</td><td>Starting Station</td><td>05:00, 07 May 2011</td>

                    </tr><tr class="alternat_table_row">

                        <td>TVP </td><td>NEY YORK</td><td>05:04, 07 May 2011</td><td>05:05, 07 May 2011</td><td>05:04, 07 May 2011</td><td>05:05, 07 May 2011</td>

</tr>               
</table>

更新

如何在标签之间获取数据？

Answer 1

请注意handle_starttag方法的文档说明：

tag参数是的名称标签转换为小写。阁楼参数是（名称，值）的列表包含找到的属性的对标签内的＆lt;＆gt;括号中。

所以，你可能正在寻找类似的东西：

from HTMLParser import HTMLParser

class MyHTMLParser(HTMLParser):
    def handle_starttag(self, tag, attrs):
        if tag == 'tr':
            for name, value in attrs:
                if name == 'class':
                    print 'Found class', value

p = MyHTMLParser()
p.feed(ht)

打印：

Found class Table_Heading
Found class Table_row
Found class alternat_table_row

P.S。我还推荐使用BeautifulSoup来解析使用Python的HTML。

Answer 2

如何打印像STATION这样的值代码站名称ORIGON ......？。

你可以用BeautifulSoup这样做。

from BeautifulSoup import BeautifulSoup

html = '''\
<td>STATION CODE</td><td>STATION NAME</td><td>SCHEDULED ARRIVAL</td><td>SCHEDULED DEPARTURE</td><td>ACTUAL/ EXPECTED ARRIVAL</td><td>ACTUAL/ EXPECTED DEPARTURE</td>
</tr><tr class="Table_row">
<td>TVC </td><td style="width:160px;">ORIGON</td><td>Starting Station </td><td>05:00, 07 May 2011</td><td>Starting Station</td><td>05:00, 07 May 2011</td>
'''

soup = BeautifulSoup(html)
tag = soup.findAll('td', limit=2)
tag_O = soup.findAll('td')[7]

for i in range(len(tag)):
    print tag[i].string
print tag_O.string

'''Output-->
STATION CODE
STATION NAME
ORIGON
'''

Answer 3

我强烈推荐使用BeautifulSoup库。它可以轻松处理破坏的HTML。

http://www.crummy.com/software/BeautifulSoup/

如何使用Python解析HTML文件

3 个答案: