Python 解析HTML表的最快、最简单、最好的方法？

我正试图把这个表转换成数组格式，这样我就可以用它做任何我想做的事情。最好使用PHP、python或JavaScript

这是一种经常出现的问题，所以我不是在这个具体问题上寻求帮助，而是在寻找如何解决所有类似问题的想法

首先想到的是美丽的群像。 另一种可能是在TextMate中复制/粘贴它，然后运行正则表达式

你有什么建议

这是我最后写的脚本，但正如我所说，我正在寻找一个更通用的解决方案

from BeautifulSoup import BeautifulSoup
import urllib2


url = 'http://www.datamystic.com/timezone/time_zones.html';
response = urllib2.urlopen(url)
html = response.read()
soup = BeautifulSoup(html)
tables = soup.findAll("table")
table = tables[1]
rows = table.findAll("tr")
for row in rows:
    tds = row.findAll('td')
    if(len(tds)==4):
        countrycode = tds[1].string
        timezone = tds[2].string
        if(type(countrycode) is not type(None) and type(timezone) is not type(None)):
            print "\'%s\' => \'%s\'," % (countrycode.strip(), timezone.strip())

---

对我的python代码的改进意见和建议也欢迎；）

避免使用正则表达式来解析HTML，它们根本不适合解析HTML，您肯定需要像BeautifulSoup这样的DOM解析器

其他一些选择

• PHP
• &Ruby
• Perl/CPAN

---

所有这些都可以合理地容忍格式不良的HTML。

我建议使用与PHP捆绑在一起的XML解析器（如DOMDocument:：loadHTMLFile）加载文档，然后使用XPath对所需数据进行grep

这不是最快的方法，但最终是最可读的（在我看来）。您可以使用Regex，它可能会快一点，但风格不好（难以调试，难以阅读）

编辑：实际上这很难，因为您提到的页面不是有效的HTML（请参阅validator.w3.org）。尤其是没有开始/结束标记的标记会严重阻碍

---

看起来xmlstarlet（（伟大的工具））能够修复问题（运行xmlstarlet fo-R）。xmlstarlet还可以编写xpath和xslt脚本，这可以帮助您使用简单的shell脚本提取数据。

正则表达式的效率优于DOM解析器

看看这个比较：

---

您可以在web上找到更多搜索内容。

对于您的一般问题，请从软件包中进行尝试（将其视为stdlibs xml.etree on steroids：相同的xml api，但支持html、xpath、xslt等）

您的具体案例的一个快速示例：

from lxml import html

tree = html.parse('http://www.datamystic.com/timezone/time_zones.html')
table = tree.findall('//table')[1]
data = [
           [td.text_content().strip() for td in row.findall('td')] 
           for row in table.findall('tr')
       ]

这将为您提供一个嵌套列表：每个子列表对应于表中的一行，并包含来自单元格的数据。偷偷插入的广告行还没有被过滤掉，但它应该会让你上路。（顺便说一下：lxml很快！）

但是：更具体地说，对于您的特定用例：有更好的方式获取信息，而不是删除特定网页（旁白：请注意，网页实际上提到您不允许复制其内容）。甚至已有的库已经使用了这些信息，例如，请参见。

在构建时，我们测试了许多平台/解析器

下面是Python的基准测试结果

有关更多信息，请参阅关于媒体的完整文章：

---

BeautifulSoup（或另一个解析器）。除了表中那些恼人的广告外，大部分都是微不足道的。由于“HTML解析”和“正则表达式”标签的存在，强制链接：XML解析器的问题是HTML不是XML的子集，除非它对每一个XML规则（或者XML解析器被破坏）都很好地格式化，否则它将不能正常工作。例如：HTML中的

甚至不需要任何类型的结束标记。另外，像

这样简单的东西不是有效的XML。如果解析器（DOMDocument？）真的是一个HTML解析器，那么应该这样调用它，不要与XML解析器混淆：-）@pst:True，这就是为什么它有两个不同的方法“loadFile（）”和“loadHTMLFile（）”。php的DOM解析器能够处理正常的异常情况。但是在这种情况下，正如现在提到的，它不会这样做，因为所提到的页面甚至不是有效的html）我没有在这个特定的页面上尝试过，但是BeautifulSoup是专门为处理无效的html而编写的，只是因为你不可避免地会经常遇到它。然后“我建议用html解析器加载文档…”仅供参考，您提供的链接现在已失效。