Python 如何从HTML中提取嵌套表？
我有一个HTML文件（用utf-8编码）。我用Python 如何从HTML中提取嵌套表？,python,html,html-table,extract,Python,Html,Html Table,Extract,我有一个HTML文件（用utf-8编码）。我用编解码器打开它。open（）。文件体系结构是： <html> // header <body> // some text <table> // some rows with cells here // some cells contains tables </table> // maybe some text here <table> // a f
编解码器打开它。open（）<html>
// header
<body>
// some text
<table>
// some rows with cells here
// some cells contains tables
</table>
// maybe some text here
<table>
// a form and other stuff
</table>
// probably some more text
</body></html>
//标题
//一些文本
//这里有一些带单元格的行
//某些单元格包含表格
//也许这里有一些文字
//表格和其他东西
//可能还要一些文字
原则上，您需要使用真正的解析器（Beaut.Soup就是这样），由于计算机科学的原因（有限状态机无法解析上下文无关语法，IIRC），正则表达式无法处理嵌套元素。如果HTML格式良好，您可以将其解析为DOM树，并使用XPath提取所需的表。我通常用于解析XML，以及 拉出第一个表的XPath是“//table[1]”。我不确定我真的理解了你想用这个结构做什么，但是这个例子可能会有帮助
import lxml.html
def process_row(row):
for cell in row.xpath('./td'):
inner_tables = cell.xpath('./table')
if len(inner_tables) < 1:
yield cell.text_content()
else:
yield [process_table(t) for t in inner_tables]
def process_table(table):
return [process_row(row) for row in table.xpath('./tr')]
html = lxml.html.parse('test.html')
first_table = html.xpath('//body/table[1]')[0]
data = process_table(first_table))
import lxml.html
def过程_行（行）：
对于第.xpath行（'./td'）中的单元格：
内部表格=cell.xpath（'./表格'）
如果len（内表）<1：
产量单元格。文本_内容（）
其他：
产量[内表中t的工艺表（t）]
def过程_表（表）：
返回[process_table.xpath（'./tr'）中的行的行（行）]
html=lxml.html.parse（'test.html'）
first_table=html.xpath（'//body/table[1]'）[0]
数据=过程表（第一个表））