Python 有没有比lxml更好的解析html表的方法

我正在处理html文档，如果它们是正确的表，我会撕开表来解析它们。我对结果很满意-我的提取过程成功地映射了95%以上的案例中的行标签和列标题，在没有映射的情况下，我们可以识别问题并使用其他方法

在我浏览iternet的过程中，我逐渐了解到浏览器有一个非常强大的“引擎”，可以正确显示htm页面的内容，即使底层htm格式不正确。我们在解析表时遇到的问题与无法将标题与数据行分离，或无法将行标签与一个或多个相邻数据值分离，然后无法正确解析出相邻数据值有关。（我们可能有两个数据值映射到一个列标题，而不是两个相邻的列标题。也就是说，如果我有一个列标题标记为apple，然后有一个列标题标记为banana，那么我可能会将值“1125 12345”分配给banana（或apple）输出中的列标题，而不是将值1125指定给apple，将值12345指定给banana

正如我在开始时所说的，我们95%的时间都是正确的，我们可以在输出中判断出什么时候有问题。我开始认为我们已经尽了最大努力，使用html的逻辑和推论来清理这些问题，所以我开始怀疑我是否需要一种新的方法

是否有一种方法可以利用浏览器的“引擎”来帮助此解析器。最终，如果浏览器能够正确显示列和行，以便它们在屏幕上正确显示，那么即使行和列跨度不一致（例如），也有一些技术可以处理

---

感谢大家的观察

事实上，浏览器引擎在解析HTML时故意愚蠢，假设它们得到的只是略微正确。lxml和BeautifulSoup试图模仿这种愚蠢程度，因此它们是正确的工具。

事实上，浏览器引擎在解析H时故意愚蠢TML，假设他们得到的只是略微正确。lxml和BeautifulSoup试图模仿这种愚蠢程度，因此他们是正确的工具。

要“驾驭浏览器的“引擎”，此时最好的选择是毫无疑问的——不过它的主要优势是“像浏览器一样”处理javascript（几乎没有其他选项）；对于一个逻辑上被破坏的表，虽然它在渲染时可能“看起来”正常，但浏览器（因此Selenium）可能与lxml或BeautifulSoup一样无助。尽管如此，还是值得您尝试。

利用浏览器的“引擎”，此时您的最佳选择是毫无疑问的——但是它的主要优势在于“像浏览器一样”处理javascript（几乎没有其他选项）；对于一个逻辑简单但呈现时可能“看起来”正常的表，浏览器（因此也是Selenium）可能和lxml或BeautifulSoup一样无助。但是，可能值得您尝试。

您目前使用的“删除”方法是什么表格？许多方法基本上我加载所有表格，然后在特定条件下测试单元格的内容。我这样做是因为我发现，与整个文档相比，在不清理html的情况下处理表格的可能性更大。另请参见您当前使用的“删除”方法表格？许多方法基本上我加载所有表格，然后在特定条件下测试单元格的内容。我这样做是因为我发现，与整个文档相比，在不清理html的情况下处理表格的可能性更大。另请参见@Alex Thank，因此我必须继续为t开发逻辑他在边缘cases@Alex谢谢，所以我必须继续为边缘案例开发逻辑