Comment analyser un fichier HTML avec la table à l'aide de Python

J'ai un fichier html avec une table ( c'est un grand un seul, de sorte que seules exemple de code est donné ). Je veux récupérer les valeurs dans les tableaux. J'ai essayé le HTMLParser bibliothèque à partir de python.

J'ai commencé à coder comme ci-dessous. Ensuite, j'ai trouvé que l'attribut "class" est le même que le système défini de mot-clé. Donc sa me donne erreur.

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)

Code HTML pour table

<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>

Mise à JOUR

Comment pourrais-je obtenir des données entre les balises?

InformationsquelleAutor user567879 | 2011-05-07
  1. 4

    Notez que la documentation de la handle_starttag méthode unis:

    La balise argument est le nom de la
    tag convertis en minuscules. Le attrs
    l'argument est une liste de (nom, valeur)
    les paires contenant les attributs trouvés
    à l'intérieur de la balise <> les crochets.

    Donc, vous êtes probablement à la recherche de quelque chose comme:

    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)

    Imprime:

    Found class Table_Heading
Found class Table_row
Found class alternat_table_row

    P. S. je recommande également BeautifulSoup pour l'analyse de code HTML avec le langage Python.

    • Comment imprimer les valeurs comme STATION CODE STATION NAME ORIGON ...?
    • vous pouvez trouver td tags et de les traiter
    • Désolé pour la question stupide. Ce que je veux, c'est que j'ai besoin de traiter ( ne pourrais pas trouver une méthode pour imprimer la valeur de b/w balises) balise td entre la balise table. Comment gérer que l'imbrication?
    • pas sûr de ce que vous demandez exactement... Mais je vous recommande de jeter un oeil à BeautifulSoup - il offre un plus haut niveau de l'API pour le traitement HTML. HTMLParser est assez difficile à utiliser par rapport à elle
    • Je veux imprimer les données dans tr le tag class=Table_Heading ou class=Table_row ou class=alternate_table_row seulement. Puis-je utiliser et cluause pour le faire fonctionner?
    • avec HTMLParser vous devrez vous enregistrer à l'état - il ne pas le faire pour vous. Quand vous voyez le tr avec le bon class, tourner sur un drapeau. Puis dans handle_data vérifier ce drapeau et alors seulement prendre les données.

    InformationsquelleAutor Eli Bendersky
  2. 2

    Comment imprimer les valeurs comme la STATION de
    CODE NOM DE LA STATION DE ORIGON ...?.

    Vous pouvez le faire comme ceci avec BeautifulSoup.

    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
'''
    InformationsquelleAutor snippsat
  3. 1

    Je vous recommande fortement de l'aide de l'BeautifulSoup de la bibliothèque. Il gère même cassé HTML avec facilité.

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

    InformationsquelleAutor AgileVortex