为了账号安全,请及时绑定邮箱和手机立即绑定

使用 beautifulsoup 替换表格内容

使用 beautifulsoup 替换表格内容

繁花不似锦 2023-10-24 15:06:05
我想使用 beautiful soup 解析一个 HTML 文档,其中也包含表格数据。我正在对此做一些 NLP。表格单元格可能只有数字,也可能有大量文本。因此,在执行 soup.get_text() 之前,我希望根据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(我们可以认为一个数字是一个单词),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。    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,我们无法设置 ele.text,因此它会引发错误。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>
查看完整描述

1 回答

?
慕丝7291255

TA贡献1859条经验 获得超6个赞

一旦找到该元素,然后使用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>


查看完整回答
反对 回复 2023-10-24
  • 1 回答
  • 0 关注
  • 74 浏览

添加回答

举报

0/150
提交
取消
意见反馈 帮助中心 APP下载
官方微信