Uczę się Pythona requestsi BeautifulSoup. W ramach ćwiczenia postanowiłem napisać szybki parser biletów parkingowych w Nowym Jorku. Jestem w stanie uzyskać odpowiedź HTML, która jest dość brzydka. Muszę pobrać lineItemsTablei przeanalizować wszystkie bilety.

Możesz odtworzyć stronę, przechodząc tutaj: https://paydirect.link2gov.com/NYCParking-Plate/ItemSearchi wprowadzając NYtablicęT630134C

soup = BeautifulSoup(plateRequest.text)
#print(soup.prettify())
#print soup.find_all('tr')

table = soup.find("table", { "class" : "lineItemsTable" })
for row in table.findAll("tr"):
    cells = row.findAll("td")
    print cells

Czy ktoś mógłby mi pomóc? Proste szukanie wszystkiego trnie prowadzi mnie do niczego.

Proszę bardzo:

data = []
table = soup.find('table', attrs={'class':'lineItemsTable'})
table_body = table.find('tbody')

rows = table_body.find_all('tr')
for row in rows:
    cols = row.find_all('td')
    cols = [ele.text.strip() for ele in cols]
    data.append([ele for ele in cols if ele]) # Get rid of empty values

To daje ci:

[ [u'1359711259', u'SRF', u'08/05/2013', u'5310 4 AVE', u'K', u'19', u'125.00', u'$'], 
  [u'7086775850', u'PAS', u'12/14/2013', u'3908 6th Ave', u'K', u'40', u'125.00', u'$'], 
  [u'7355010165', u'OMT', u'12/14/2013', u'3908 6th Ave', u'K', u'40', u'145.00', u'$'], 
  [u'4002488755', u'OMT', u'02/12/2014', u'NB 1ST AVE @ E 23RD ST', u'5', u'115.00', u'$'], 
  [u'7913806837', u'OMT', u'03/03/2014', u'5015 4th Ave', u'K', u'46', u'115.00', u'$'], 
  [u'5080015366', u'OMT', u'03/10/2014', u'EB 65TH ST @ 16TH AV E', u'7', u'50.00', u'$'], 
  [u'7208770670', u'OMT', u'04/08/2014', u'333 15th St', u'K', u'70', u'65.00', u'$'], 
  [u'$0.00\n\n\nPayment Amount:']
]

Kilka uwag:

• Ostatni wiersz powyższego wyniku, Kwota płatności, nie jest częścią tabeli, ale tak jest w tabeli. Możesz ją odfiltrować, sprawdzając, czy długość listy jest mniejsza niż 7.
• Ostatnia kolumna każdego wiersza będzie musiała być obsługiwana osobno, ponieważ jest to wejściowe pole tekstowe.

Rozwiązany, oto jak analizujesz ich wyniki HTML:

table = soup.find("table", { "class" : "lineItemsTable" })
for row in table.findAll("tr"):
    cells = row.findAll("td")
    if len(cells) == 9:
        summons = cells[1].find(text=True)
        plateType = cells[2].find(text=True)
        vDate = cells[3].find(text=True)
        location = cells[4].find(text=True)
        borough = cells[5].find(text=True)
        vCode = cells[6].find(text=True)
        amount = cells[7].find(text=True)
        print amount

Aktualizacja: 2020

Jeśli programista jest zainteresowany tylko analizowaniem tabeli ze strony internetowej, może skorzystać z metody pandy pandas.read_html.

Powiedzmy, że chcemy wyodrębnić tabelę danych PKB ze strony internetowej: https://worldpopulationreview.com/countries/countries-by-gdp/#worldCountries

Następnie poniższe kody działają idealnie (nie ma potrzeby pięknego zupy i wyszukanego html):

import pandas as pd
import requests

url = "https://worldpopulationreview.com/countries/countries-by-gdp/#worldCountries"

r = requests.get(url)
df_list = pd.read_html(r.text) # this parses all the tables in webpages to a list
df = df_list[0]
df.head()

Wynik

Oto działający przykład dla generycznego <table>. ( linki do pytań uszkodzone )

Wyodrębnianie tabelę z tu krajach PKB (Produkt Krajowy Brutto).

htmltable = soup.find('table', { 'class' : 'table table-striped' })
# where the dictionary specify unique attributes for the 'table' tag

tableDataTextFunkcja analizuje segment HTML uruchomiony z etykietką <table> , a następnie przez kilka <tr>(wiersze tabeli) i wewnętrzny <td>(dane z tabeli) znaczników. Zwraca listę wierszy z wewnętrznymi kolumnami. Akceptuje tylko jeden <th>(nagłówek / dane tabeli) w pierwszym wierszu.

def tableDataText(table):       
    rows = []
    trs = table.find_all('tr')
    headerow = [td.get_text(strip=True) for td in trs[0].find_all('th')] # header row
    if headerow: # if there is a header row include first
        rows.append(headerow)
        trs = trs[1:]
    for tr in trs: # for every table row
        rows.append([td.get_text(strip=True) for td in tr.find_all('td')]) # data row
    return rows

Korzystając z niego otrzymujemy (pierwsze dwa rzędy).

list_table = tableDataText(htmltable)
list_table[:2]

[['Rank',
  'Name',
  "GDP (IMF '19)",
  "GDP (UN '16)",
  'GDP Per Capita',
  '2019 Population'],
 ['1',
  'United States',
  '21.41 trillion',
  '18.62 trillion',
  '$65,064',
  '329,064,917']]

Można to łatwo przekształcić w pandas.DataFramebardziej zaawansowane narzędzia.

import pandas as pd
dftable = pd.DataFrame(list_table[1:], columns=list_table[0])
dftable.head(4)