时间戳

首页 > 解决方案 > 使用 beautifulsoup 替换表格内容

python - 使用 beautifulsoup 替换表格内容

问题描述

我想使用漂亮的汤来解析一个包含表格数据的 HTML 文档。我正在做一些NLP。

表格单元格可能只有数字或文本很重。所以在做soup.get_text()之前，我希望按照以下条件更改表格数据的内容。

条件：如果单元格有两个以上的单词（我们可以将一个数字视为一个单词），则只保留它，否则将单元格内容更改为空字符串。

<code to change table data based on condition>

soup = BeautifulSoup(html)
text = soup.get_text()

这是我尝试过的东西。

    tables = soup.find_all('table')
    for table in tables:
        table_body = table.find('tbody')
        rows = table_body.find_all('tr')
        for row in rows:
            cols = row.find_all('td')
            for ele in cols:
                if len(ele.text.split(' ')<3):
                    ele.text = ''

但是，我们不能设置 ele.text 所以它会抛出一个错误。

这是一个带有表格的简单 HTML 结构

<!DOCTYPE html>
<html>

   <head>
      <title>HTML Tables</title>
   </head>

   <body>
      <table border = "1">
         <tr>
            <td><p><span>Row 1, Column 1, This should be kept because it has more than two tokens</span></p></td>
            <td><p><span>not kept</span></p></td>
         </tr>

         <tr>
            <td><p><span>Row 2, Column 1, should be kept</span></p></td>
            <td><p><span>Row 2, Column 2, should be kept</span></p></td>
         </tr>
      </table>

   </body>
</html>

标签： pythonhtmlparsingbeautifulsouphtml-parsing

解决方案

找到元素后，请使用ele.string.replace_with("")

基于您的示例 html

html='''<html>

   <head>
      <title>HTML Tables</title>
   </head>

   <body>
      <table border = "1">
         <tr>
            <td><p><span>Row 1, Column 1, This should be kept because it has more than two tokens</span></p></td>
            <td><p><span>not kept</span></p></td>
         </tr>

         <tr>
            <td><p><span>Row 2, Column 1, should be kept</span></p></td>
            <td><p><span>Row 2, Column 2, should be kept</span></p></td>
         </tr>
      </table>

   </body>
</html>'''

soup=BeautifulSoup(html,'html.parser')
tables = soup.find_all('table')
for table in tables:
    rows = table.find_all('tr')
    for row in rows:
        cols = row.find_all('td')
        for ele in cols:
            if len(ele.text.split(' '))<3:
               ele.string.replace_with("")

print(soup)

输出：

<html>
<head>
<title>HTML Tables</title>
</head>
<body>
<table border="1">
<tr>
<td><p><span>Row 1, Column 1, This should be kept because it has more than two tokens</span></p></td>
<td><p><span></span></p></td>
</tr>
<tr>
<td><p><span>Row 2, Column 1, should be kept</span></p></td>
<td><p><span>Row 2, Column 2, should be kept</span></p></td>
</tr>
</table>
</body>
</html>

推荐阅读