Question

我想使用beautifulsoup从html代码中删除表格。 html的片段如下所示。使用table.findAll('tr')时，我得到整个表而不仅仅是行。（可能是因为html代码中缺少结束标记？）

  <TABLE COLS=9 BORDER=0 CELLSPACING=3 CELLPADDING=0>
  <TR><TD><B>Artikelbezeichnung</B>
  <TD><B>Anbieter</B>
  <TD><B>Menge</B>
  <TD><B>Taxe-EK</B>
  <TD><B>Taxe-VK</B>
  <TD><B>Empf.-VK</B>
  <TD><B>FB</B>
  <TD><B>PZN</B>
  <TD><B>Nachfolge</B>

  <TR><TD>ACTIQ 200 Mikrogramm Lutschtabl.m.integr.Appl.
  <TD>Orifarm
  <TD ID=R>     30 St
  <TD ID=R>  266,67
  <TD ID=R>  336,98
  <TD>&nbsp;
  <TD>&nbsp;
  <TD>12516714
  <TD>&nbsp;

  </TABLE>

这是我的python代码，用于显示我正在努力解决的问题：

     soup = BeautifulSoup(data, "html.parser")
     table = soup.findAll("table")[0]
     rows = table.find_all('tr')
     for tr in rows:
         print(tr.text)

Answer 1

正如他们documentation html5lib中所述，将文档解析为Web浏览器（在本例中为lxml）。它会尝试通过在需要时添加/关闭标记来修复文档树。

在您的示例中，我使用了lxml作为解析器，它给出了以下结果：

soup = BeautifulSoup(data, "lxml")
table = soup.findAll("table")[0]
rows = table.find_all('tr')
for tr in rows:
    print(tr.get_text(strip=True))

请注意，lxml添加了html＆amp; body标签，因为它们不存在于源代码中（它将尝试按以前的状态创建格式良好的文档）。

Python - beautifulsoup - 如何处理丢失的结束标记

1 个答案: