各位大佬有什么好的办法解析网页中不规整的表格吗

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 1736 天前的主题，其中的信息可能已经有所发展或是发生改变。

像几乘几这种规整的表格到很好解析，xpath 或者 bs4 或者 pandas 的 read_html 可以搞定，但是遇到那种不规整的表格，而且整个网站的表格样式可能都不一样，有什么好的办法做到通用解析，例如这个网站的表格

第 1 条附言 · 2020-02-20 18:10:49 +08:00

**表格是这个网站里的每条公告里的表格**

表格

规整

解析

pandas

36 条回复 • 2020-05-26 10:32:59 +08:00

MrhuangSTR

2020-02-20 17:52:54 +08:00

大佬在哪里 f(；´д｀)ゞ

akira

2020-02-20 17:59:52 +08:00

这个不是表格吧。。。

deplives

2020-02-20 18:05:38 +08:00

这哪里有表格？

qazwsxkevin

2020-02-20 18:06:29 +08:00

依然用 for bs4 吧
每个 div 下面有 ul
每个 ul 下面有 5 个 li
很明显的特征，性能不好的写法是啰嗦写多几个字典，逐个判断，逐个加
不知道有无更好性能方法了

MrhuangSTR

2020-02-20 18:08:48 +08:00

@akira 额点进去每个公告里的表格

MrhuangSTR

2020-02-20 18:09:26 +08:00

@deplives 每个公告的表格。。

MrhuangSTR

2020-02-20 18:09:36 +08:00

@qazwsxkevin 公告里的表格。。

qazwsxkevin

2020-02-20 18:18:31 +08:00

@MrhuangSTR 我能想到的是找出这个表格的 table 标签，然后对每个 tr 段，再对每个 td 做 get_text()了
然后再洗数据加进字典
就看了几个页面，似乎都差不多格式

deplives

2020-02-20 18:18:41 +08:00

@MrhuangSTR 请善用浏览器调试功能
![](

)

superrichman

2020-02-20 18:24:24 +08:00 via iPhone

这种不规则的表格没有通用的解析方法，自己一个一个遍历元素取数据吧。还有这是个 gov 网站，如果你是想做爬虫的话，小心点别变成了 ddos 攻击 zf 网站。 /doge

MrhuangSTR

2020-02-20 18:26:36 +08:00

@qazwsxkevin 每个栏目下分页基本上都有 120 页，可能前 1 到 20 页里的公告表格样式基本一致，某个区间段的表格格式又是另外一种，我现在大概看了下有 4 种不一样的表格，可能还有更多种。

MrhuangSTR

2020-02-20 18:27:32 +08:00

@deplives 没这么简单的，多点开几个表格看看你会发现惊喜的 /doge

MrhuangSTR

2020-02-20 18:28:48 +08:00

@superrichman 我 ip 今天就被 ban 了。。。。我都是很佛系的抓

autoxbc

2020-02-20 18:44:41 +08:00

都是很标准的表格，看不出有什么问题，最多有跨单元属性 colSpan 和 rowSpan，也是 html 标准之中的

L2AKnG8GXx60bc6P

2020-02-20 19:09:28 +08:00 via iPhone

我做过

MrhuangSTR

2020-02-20 21:08:29 +08:00

@autoxbc 表格没啥问题，棘手的是怎么写一个通用的方法解析整站不同样式的表格

MrhuangSTR

2020-02-20 21:08:47 +08:00

@relic 有什么好的办法分享下呗大佬

freakxx

2020-02-20 21:19:22 +08:00

应该是没有通解办法，

用 table 做的时候，他们都是直接怼进去 td 里面。

有个办法你可以尝试下, 你先做一个判断是不是标题的函数, 然后扔进去解解看。
比如最后带 ":" 判断为 label。

但实话说，我觉得这个很难洗干净，至少不是一下子能洗干净。

freakxx

2020-02-20 21:23:19 +08:00

但这类垂直爬取有一个好处

你可以自己先拿几个做个处理就干净很多。
比如你判断 “面积” 为 label 的时候，通过对比，知道一般他是在下一个 tr 里面，你写 parse 的时候，就把 2 个 tr 合起来，
直接默认拿 tr_1.td_1: tr_2.td_1, tr_2: td_2

freakxx

2020-02-20 21:32:37 +08:00

这种要洗干净你可以这么做。

先下下来，随便拿一个，把表格洗了，然后字段扔进去 mapping, 如
{
"面积": parse_rule_1,
}

parse_rule_1(table, td)
td = td. next_tr.td[index]
table.pop(td)

最后如果 table 里面还有元素的话，那么就是有新的元素，直接报错。
你再手动去处理下。

wangyzj

2020-02-20 21:55:30 +08:00

不得不说国土资源部的网站做的还是挺清秀的

akira

2020-02-20 22:27:48 +08:00

不要管 trtd，全部内容提取出来，然后再统一清洗

encro

2020-02-20 22:51:53 +08:00

直接使用 xpath 或者 css 遍历，最简单网站了。

encro

2020-02-20 23:01:33 +08:00

原来是表格啊。
不太可能有通用的，因为表格就不规范。
你只能根据不同类型自己去写解析程序了。

提示下：
table 的 tr 下是 td，td 有两个属性，rowspan 和 colspan，它们的值就是分析表格的关键。但是对于这种不规则的，只能自己写程序，看有多少种类型，就微调下吧。

TimePPT

2020-02-20 23:40:49 +08:00

换个思路，全部抓图然后表格 ocr 接口识别

locoz

2020-02-20 23:42:23 +08:00

无解。先拿下来再处理吧，按特征分成一类一类地处理，慢慢的就处理完了。
然后建议用 GUI 标记工具（指类似于 pyspider、各种傻瓜式爬虫工具的点页面元素自动输出 xpath 到对应采集字段上的）辅助，要不然手写 xpath 很蛋疼。

MrhuangSTR

2020-02-21 10:18:14 +08:00

@freakxx 标题有的带冒号有的不带。。
另外你举的这个面积的例子，烦就烦在可能在其他表格里它对应的值就和它在一个 tr 里而不是下一个 tr;
后面你说的这个方法应该是在已经确定需要哪些字段的情况下再去 mapping

MrhuangSTR

2020-02-21 10:18:45 +08:00

@akira 清洗规则很难定

MrhuangSTR

2020-02-21 10:26:27 +08:00

@locoz 这里的 xpath 倒不是很杂，看来只能分多种情况了

hitaoguo

2020-02-21 10:46:20 +08:00

建议楼主贴几个不同类型的表格网址出来。

freakxx

2020-02-21 11:04:06 +08:00

@MrhuangSTR

你多抓几份看看就可以了，
位置相对是固定的。

你事先做一份已经确定不就好？如果没 map 到，再手动补上去，这个工作总能完成的。

MrhuangSTR

2020-02-21 18:44:03 +08:00

@freakxx 这是个体力活啊，终于是搞定了。。

Skyline57

2020-05-19 18:36:36 +08:00

@MrhuangSTR 同病相怜啊楼主，我最近也是在搞这些 ZF 的数据，不过我好像解决了，找到了一种通用的方式
我用的 xpath （ xpath 还是挺好使的），把键和值分开来获取，最后再 zip 到一起
原理是：td 位置为奇数则是键，为偶数则是值
（键为土地编号、面积等，值为据图数值）
获取键的表达式："//table//table//td[position() mod 2 = 1]"
获取值的表达式："//table//table//td[position() mod 2 = 0]"

但是，提取之后会发现有的键是没有对应值的（比如“主要用途”那栏的值是空的）
这时就要把没有对应值的键单独提出来
观察几个网站发现没有对应值的键的相似之处为：都有 colspan="3"或者 colspan="6"的属性

所以
提取的 xpath 表达式为：'//table//table//td[position() mod 2 = 1][@colspan="3" or @colspan="6"]'

最后把没有对应值的键都从所有键中剔除或者设为空，其他键值对一一对应即可

.......
.......

最后发现出了点小问题

呃呃呃，:面积"那栏键值是竖着的，不是向其他的那样横着的，也就是上述的最终键值对被污染了
但是对"面积"这对键值单独处理下，应该问题不大，思路是用 xpath 获取到 text()为"面积"的 td 节点，再通过这个节点的父级 tr 的下一位置 tr 下的 td 获取到面积的数值，再从键列表中删除"面积"，值列表中删除面积的值

最后终于大功告成

MrhuangSTR

2020-05-25 16:01:20 +08:00

@Skyline57 我跟你的解析思路一样的，花了我一天的时间，这玩意太折磨人了

Skyline57

2020-05-25 17:19:43 +08:00

@MrhuangSTR 我还遇到过一个网页里两三种编码的，真是吐了

MrhuangSTR

2020-05-26 10:32:59 +08:00

@Skyline57 编码还好吧，一个网页有几种非常规的字体的你遇到过吗￣へ￣