uol*_*lot 5 html python html-table extract
我有一个HTML文件(以utf-8编码).我打开它codecs.open().文件架构是:
<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>
我只需要检索第一个表(丢弃一个表格).首先<table>在相应之后省略所有输入</table>.一些单元格还包含段落,粗体和脚本.每行主表只有一个嵌套表.
如何提取它以获取行列表,其中每个元素包含普通(unicode字符串)单元格的数据和每个嵌套表格的行列表？嵌套不超过1级.
我尝试了HTMLParse,PyParse和re模块,但无法实现这一点.我是Python的新手.