Python 使用pd.read_html解析html表，其中单元格本身包含完整的表

我需要从html中解析一个表，该表在较大的表中嵌套了其他表。正如下面用

pd.read_html

调用的，这些嵌套表中的每一个都被解析，然后作为行“插入”/“连接”

我希望将这些嵌套表解析为各自的

pd.DataFrames

，并将其作为对象插入为相应列的值

如果这是不可能的，那么将嵌套表的原始html作为字符串放在相应的位置就可以了

测试代码：

将熊猫作为pd导入
df_up=pd.read_html（“up_pf00344.test.html”，attrs={'id'：'results'}）

输出屏幕截图：

以html格式呈现的表格屏幕截图：

链接到文件：

您不能用于读取嵌套表，但您可以滚动自己的html阅读器，并使用

read\u html

读取表格单元格：

import pandas as pd
import bs4

with open('up_pf00344.test.html') as f:
    html = f.read()
soup = bs4.BeautifulSoup(html, 'lxml')
results = soup.find(attrs = {'id': 'results'})

# get first visible header row as dataframe headers
for row in results.thead.find_all('tr'):
    if 'display:none' not in row.get('style',''):
        df = pd.DataFrame(columns=[col.get_text() for col in row.find_all('th')])
    break

# append all table rows to dataframe
for row in results.tbody.find_all('tr', recursive=False):
    if 'display:none' in row.get('style',''):
        continue
    df_row = []
    for col in row.find_all('td', recursive=False):
        table = col.find_all('table')
        df_row.append(pd.read_html(str(col))[0] if table else col.get_text())
    df.loc[len(df)] = df_row

df.iloc[0]的结果。映射（类型）

：

进入
有机体
蛋白质名称
基因名
长度
交叉参考（Pfam）
交叉参考（InterPro）
分类谱系ID
亚细胞定位
信号肽
转运肽
拓扑域
跨膜
膜内
顺序警告
小心
分类谱系（超级王国）
分类谱系（王国）
分类谱系（门）
交叉参考（参考序号）
交叉参考（EMBL）
E

另外：由于您的表行有一个

id

，您可以使用它作为数据帧的索引

df.loc[row.get（'id'）]=df\u row

，而不是

df.loc[len（df）]=df\u row

                                                            <class 'str'>
Entry                                                       <class 'str'>
Organism                                                    <class 'str'>
Protein names                                               <class 'str'>
Gene names                                                  <class 'str'>
Length                                                      <class 'str'>
Cross-reference (Pfam)                                      <class 'str'>
Cross-reference (InterPro)                                  <class 'str'>
Taxonomic lineage IDs                                       <class 'str'>
Subcellular location [CC]                                   <class 'str'>
Signal peptide                                              <class 'str'>
Transit peptide                                             <class 'str'>
Topological domain                  <class 'pandas.core.frame.DataFrame'>
Transmembrane                       <class 'pandas.core.frame.DataFrame'>
Intramembrane                       <class 'pandas.core.frame.DataFrame'>
Sequence caution                                            <class 'str'>
Caution                                                     <class 'str'>
Taxonomic lineage (SUPERKINGDOM)                            <class 'str'>
Taxonomic lineage (KINGDOM)                                 <class 'str'>
Taxonomic lineage (PHYLUM)                                  <class 'str'>
Cross-reference (RefSeq)                                    <class 'str'>
Cross-reference (EMBL)                                      <class 'str'>
e                                                           <class 'str'>