使用BeautifulSoup在Python 3中提取表

如何解决使用BeautifulSoup在Python 3中提取表

我想使用BeautifulSoup从网站中提取表格并将其存储为结构化数据。 我需要的最终输出是可以导出到具有标题行和多个数据行的.csv文件。

我遵循了this question的答案，但是自从8年前发布以来，似乎对Python（或BeautifulSoup）的更新需要进行调整。我认为我已经解决了大多数问题（请参阅下文），但是除此之外，原始答案似乎还没有真正构建数据，而是输出了标头数据对列表。

我想使用类似的解决方案，因为它看起来确实很接近我的需求。我的数据已经使用BeautifulSoup进行了解析，所以我特别要求使用该软件包而不是Pandas解决方案。

可复制示例

由于原始问题，添加了第二行，因为我的数据有很多行。

from bs4 import BeautifulSoup

html = """
  <table class="details" border="0" cellpadding="5" cellspacing="2" width="95%">
    <tr valign="top">
      <th>Tests</th>
      <th>Failures</th>
      <th>Success Rate</th>
      <th>Average Time</th>
      <th>Min Time</th>
      <th>Max Time</th>
   </tr>
   <tr valign="top" class="Failure">
     <td>103</td>
     <td>24</td>
     <td>76.70%</td>
     <td>71 ms</td>
     <td>0 ms</td>
     <td>829 ms</td>
  </tr>
  <tr valign="top" class="Failure">
     <td>109</td>
     <td>35</td>
     <td>82.01%</td>
     <td>12 ms</td>
     <td>2 ms</td>
     <td>923 ms</td>
  </tr>
</table>"""

soup = BeautifulSoup(html)
table = soup.find("table",attrs={"class":"details"})

# The first tr contains the field names.
headings = [th.get_text() for th in table.find("tr").find_all("th")]

datasets = []
for row in table.find_all("tr")[1:]:
    dataset = zip(headings,(td.get_text() for td in row.find_all("td")))
    datasets.append(dataset)

print(datasets)

结果应该看起来像下面的样子（尽管有多行，但我不确定确切的结构）。

[[(u'Tests',u'103'),(u'Failures',u'24'),(u'Success Rate',u'76.70%'),(u'Average Time',u'71 ms'),(u'Min Time',u'0 ms'),(u'Max Time',u'829 ms')]]

但是看起来像：

[<zip object at 0x7fb06b5efdc0>,<zip object at 0x7fb06b5ef980>]

尝试的解决方案

我尝试在现有的for循环中使用datasets.append(tuple(dataset))，结果是：

[(('Tests','103'),('Failures','24'),('Success Rate','76.70%'),('Average Time','71 ms'),('Min Time','0 ms'),('Max Time','829 ms')),(('Tests','109'),'35'),'82.01%'),'12 ms'),'2 ms'),'923 ms'))]

这更接近于原始答案的预期输出，但显然是复制了对，而不是创建带有标题和值的数据表。因此，我不确定从现在开始如何处理数据。

解决方法

最后，只需将zip迭代器转换为列表即可：

for row in table.find_all("tr")[1:]:
    dataset = zip(headings,(td.get_text() for td in row.find_all("td")))
    datasets.append(list(dataset))  # process iterator to list

print(datasets)

最终输出：

[[('Tests','103'),('Failures','24'),('Success Rate','76.70%'),('Average Time','71 ms'),('Min Time','0 ms'),('Max Time','829 ms')],[('Tests','109'),'35'),'82.01%'),'12 ms'),'2 ms'),'923 ms')]]

如果要将数据集转换为csv字符串，请使用以下代码：

# convert to csv string

hdrline = ','.join(e[0] for e in datasets[0]) + "\n"
data = ""
for rw in datasets:
    data += ','.join([e[1] for e in rw]) + "\n"
    
csvstr = hdrline + data

print(csvstr)

输出：

Tests,Failures,Success Rate,Average Time,Min Time,Max Time
103,24,76.70%,71 ms,0 ms,829 ms
109,35,82.01%,12 ms,2 ms,923 ms

,

如果您使用的是标准csv模块，则无需将值与其标签相关联

您可以执行以下操作，假设您有一个csvwriter，可以通过以下方式获得 https://docs.python.org/3.8/library/csv.html#csv.writer

import csv
...

with open('file.csv','w',newline='') as csvfile:
    csvwriter = csv.writer(csvfile) # You may add options here to format your csv file as needed

    headings = [th.get_text() for th in table.find("tr").find_all("th")]

    csvwriter.writerow(headings)

    for row in table.find_all("tr")[1:]:
        data = (td.get_text() for td in row.find_all("td"))
        csvwriter.writerow(data)

,

所以您已经拥有了：

datasets = [
  (('Tests','829 ms')),(('Tests','923 ms'))
]

您可以在此处进行转换。假设所有行都相同，则可以从第一行中提取标题：

headers_row = [hdr for hdr,data in datasets[0]]

现在，提取每一行中每个元组的第二个字段，例如('Tests','103')：

processed_rows = [
  [data for hdr,data in row]
  for row in datasets
]
# [['103','24','76.70%','71 ms','0 ms','829 ms'],['109','35','82.01%','12 ms','2 ms','923 ms']]

现在您有了标题行和processed_rows的列表。您可以使用standard csv module将它们写入CSV文件。

---

更好的解决方案可能是保留原始格式并使用csv.DictWriter。

1. 将标头提取到headers_row中，如上所示。

2. 写数据：

   import csv
   
   with open('data.csv',newline='') as csvfile:
       writer = csv.DictWriter(csvfile,fieldnames= headers_row)
   
       writer.writeheader()
   
       for row in datasets: # your original data
           writer.writerow(dict(row))
   

例如dict(datasets[0])是：

{'Tests': '103','Failures': '24','Success Rate': '76.70%','Average Time': '71 ms','Min Time': '0 ms','Max Time': '829 ms'}