Question

我有一个巨大的HTML表（大约500,000行），我需要将其转换为JSON文件。该表看起来像这样：

<table>
<tr>
<th>Id</th>
<th>Timestamp</th>
<th>Artist_Name</th>
<th>Tweet_Id</th>
<th>Created_at</th>
<th>Tweet</th>
<th>User_name</th>
<th>User_Id</th>
<th>Followers</th>
</tr>
<tr>
<td>1</td>
<td>2013-06-07 16:00:17</td>
<td>Kelly Rowland</td>
<td>343034567793442816</td>
<td>Fri Jun 07 15:59:48 +0000 2013</td>
<td>So has @MissJia already discussed this Kelly Rowland Dirty Laundry song? I ain't trying to go all through her timelime...</td>
<td>Nicole Barrett</td>
<td>33831594</td>
<td>62</td>
</tr>
<tr>
<td>2</td>
<td>2013-06-07 16:00:17</td>
<td>Kelly Rowland</td>
<td>343034476395368448</td>
<td>Fri Jun 07 15:59:27 +0000 2013</td>
<td>RT @UrbanBelleMag: While everyone waits for Kelly Rowland to name her abusive ex, don't hold your breath. But she does say he's changed: htâ€¦</td>
<td>A.J.</td>
<td>24193447</td>
<td>340</td>
</tr>

我想创建一个看起来像这样的JSON文件：

{'data': [
  {
   'text': 'So has @MissJia already discussed this Kelly Rowland Dirty Laundry song? I ain't trying to go all through her timelime...', 
   'id': 1, 
   'tweet_id': 343034567793442816
  },
  {
   'text': 'RT @UrbanBelleMag: While everyone waits for Kelly Rowland to name her abusive ex, don't hold your breath. But she does say he's changed: htâ€¦', 
   'id': 2, 
   'tweet_id': 343034476395368448
  }
]}

可能包含了更多的变量，但这应该是自我解释。

我已经考虑了几个选项，但大多数情况下我的问题是我的HTML表格太大了。我看到很多人推荐jQuery。考虑到桌子的大小，这对我有意义吗？如果有一个合适的Python选项，我会非常赞成，因为到目前为止我已经用Python编写了大部分代码。

Answer 1

以下是示例代码。

var tbl = $('table tr:has(td)').map(function(i, v) {
var $td =  $('td', this);
    return {
             Id: $td.eq(0).text(),
             Timestamp: $td.eq().text(),
             Artist_Name: $td.eq(2).text(),
             Tweet_Id: $td.eq(3).text()               
             Tweet: $td.eq(4).text()              
             User_name: $td.eq(5).text()               
             User_Id: $td.eq(6).text()                
             Followers: $td.eq(7).text()                
           }
}).get();

Answer 2

你正在使用php吗？如果是这样，你可以使用HTML DOM解析和json_encode（）来做某事。

如果你想使用jquery / javascript，这将会很难处理 - 这是可能的，但使用js处理那么多数据并不是很好。但是，如果你只做了一次，并且你真的决定使用JS - 那么在SO上就会出现类似的问题......

看看这个小提琴......

http://jsfiddle.net/s4tyk/

var myRows = [];
var headersText = [];
var $headers = $("th");

// Loop through grabbing everything
var $rows = $("tbody tr").each(function(index) {
  $cells = $(this).find("td");
  myRows[index] = {};

  $cells.each(function(cellIndex) {
    // Set the header text
    if(headersText[cellIndex] === undefined) {
      headersText[cellIndex] = $($headers[cellIndex]).text();
    }
    // Update the row object with the header/cell combo
    myRows[index][headersText[cellIndex]] = $(this).text();
  });    
});

// Let's put this in the object like you want and convert to JSON (Note: jQuery will also do this for you on the Ajax request)
var myObj = {
    "myrows": myRows
};
alert(JSON.stringify(myObj));

这是个问题 How to convert the following table to JSON with javascript?

如果你需要js的帮助，请问，但这应该让你去。

Answer 3

使用Python和lxml package，您可以使用

解析HTML

import lxml.html as LH
import collections
import itertools as IT
import json

Row = collections.namedtuple(
    'Row',
    'id timestamp artist tweet_id created_at tweet user_name user_id, followers')

filename = '/tmp/test.html'
root = LH.parse(filename)
data = []
result = {'data': data}
for row in IT.starmap(Row, zip(*[iter(root.xpath('//tr/td/text()'))]*9)):
    data.append({'text':row.tweet, 'id':row.id, 'tweet_id':row.tweet_id})

with open('/tmp/test.json', 'w') as f:
    json.dump(result, f, indent=2)

对于包含500K <tr>个标签的文件大约需要50秒，并且需要大约910M RAM（将HTML加载到带有root = LH.parse(filename)的DOM中。）

将json文件加载到Python dict中大约需要2秒钟：

In [14]: time x = json.load(open('/tmp/test.json'))
CPU times: user 1.80 s, sys: 0.04 s, total: 1.84 s
Wall time: 1.85 s

将HTML表转换为JSON

3 个答案: