使用BeautifulSoup解析HTML表格

Question

我之前用过BeautifulSoup这个工具，但现在遇到了一些新情况；就是一个非常简单的HTML表格结构……我的目标是提取每个值和它的标签（每个都在自己的里），然后把它们打印出来……它们可以合并在一起，我不在乎，我只想确保每个标签对应到正确的值。这里有一个示例表格：

<tbody><tr>
<td class="labels">Dawn:</td>
<td class="site_data" style="text-align: left;">07:01</td>
<td class="labels">Sunrise:</td>
<td class="site_data" style="text-align: left;">07:26</td>
<td class="labels">Moonrise:</td>
<td class="site_data" style="text-align: left;">14:29</td>
<td rowspan="3"><img src="images/moon.bmp" alt="Moon" width="64" align="left" border="0" height="64" style="margin: 0px 10px" /></td>
</tr>
<tr>
<td class="labels">Dusk:</td>
<td class="site_data" style="text-align: left;">18:27</td>
<td class="labels">Sunset:&nbsp;</td>
<td class="site_data" style="text-align: left;">18:02</td>
<td class="labels">Moonset:</td>
<td class="site_data" style="text-align: left;">01:55</td>
</tr>
<tr>
<td class="labels">Daylight:</td>
<td class="site_data" style="text-align: left;">11:26</td>
<td class="labels">Day length:</td>
<td class="site_data" style="text-align: left;">10:36</td>
<td class="labels">Moon Phase:</td>
<td class="site_data" style="text-align: left;">Waxing Gibbous</td>
</tr>
</tbody>

我知道怎么提取这些值……

for td in soup.findAll('table')[0]:  # theres more than one table on the page
    print td.renderContents().strip()

但这样做只给我……

'Dawn:'
'07:01'
'Sunrise:'
'07:26'
'Moonrise:'
'14:29'
'<img src="images/moon.bmp" alt="Moon" width="64" align="left" border="0" height="64" style="margin: 0px 10px" />'
'Dusk:'
'18:27'
'Sunset:&nbsp;'
'18:02'
'Moonset:'
'01:55'
'Daylight:'
'11:26'
'Day length:'
'10:36'
'Moon Phase:'
'Waxing Gibbous'

我想我可以抓住那些类名为“labels”和“site_data”的值，但我怎么确保标签和数据正确分组呢？

Answer 1

我不是BeautifulSoup的专家，但你可以试试这样做：

for label in soup.findAll('table')[0].findAll('td', attrs={'class' : 'labels'}):
  data_sibs = label.findNextSiblings(attrs={'class' : 'site_data'})
  if len(data_sibs) > 0:
    print label.renderContents().strip() + " " + data_sibs[0].renderContents().strip()

编辑：

经过测试，得到了以下结果：

Dawn: 07:01
Sunrise: 07:26
Moonrise: 14:29

etc..

Answer 2

下面的内容应该更简单，更容易理解：

import pprint
from BeautifulSoup import BeautifulSoup  
soup = BeautifulSoup(docTxt)
groupedData = []
for row in soup.findAll("tr"):
    data = {}
    allTDs = row.findAll("td")
    for x in range(0, len(allTDs)-1, 2):
        data[allTDs[x].renderContents().strip()] = allTDs[x+1].renderContents().strip()
    groupedData.append(data)

pprint.pprint(groupedData)

输出结果：

[{'Dawn:': '07:01', 'Moonrise:': '14:29', 'Sunrise:': '07:26'},
 {'Dusk:': '18:27', 'Moonset:': '01:55', 'Sunset: ': '18:02'},
 {'Day length:': '10:36',
  'Daylight:': '11:26',
  'Moon Phase:': 'Waxing Gibbous'}]