python - BeautifulSoup 忽略表格内的嵌套表格

使用 BeautifulSoup for Python 来解析网页(不幸的是，它主要写在表格中)。

这是我正在尝试使用的内容的摘录

<tr>
  <td colspan="4">
    <div class="shortmenucats">
        <span style="color: ">
            -- Fresh Baked Pastries --

        </span>
    </div>
  </td>
</tr>
<tr>
  <td width="80%" valign="top">
    <table width="100%" cellspacing="0" cellpadding="0" border="0">
        <tbody>
            <tr>
                <td>
                    <div class="shortmenurecipes">
                        <span style="color: #000000"> Chocolate Doughnut Holes </span>
                    </div>
                </td>
            </tr>
        </tbody>
    </table>
  </td>
  <td width="5%" valign="top"></td>
  <td width="10%" valign="top" align="right" colspan="1">
    <div class="shortmenuprices">
        <span style="color: #000000"></span>
    </div>
  </td>
  <td width="5%" valign="top" colspan="1">
  </td>
</tr>

这些是表中的两行，其中有 10 行，它们像这样交替(td 中的 div，td 中的表，td 中的 div，td 中的表等)。

我正在使用 BeautifulSoup 在父表上调用 find_all 并且由于嵌套表中的嵌套标签，它返回每隔一行的重复项。

我开始做一个 table.find_all('td', recursive=False) 但这根本没有返回任何 s 。
如果我在父表上调用 findChildren()，我会得到一个包含一个结果的列表，但它包含结果中的所有子项。

难道我做错了什么？我不知道如何解决这个问题。

如果您想要我正在解析的实际网站，请访问:
http://138.23.12.141/foodpro/shortmenu.asp?sName=University+of+California%2C+Riverside+Dining+Services&locationNum=02&locationName=Lothian+Residential+Restaurant&naFlag=1

编码相当困惑。我只是想解析它。

任何帮助将不胜感激。即使这只是删除重复项的一种方式。

谢谢你。

最佳答案

您可以通过 HTML 中的深度来识别目标表。

下面是一些代码，它将选择嵌套在深度 3 的那些表:

tables = soup.findAll("table")
depth3 = []
for t in tables:
  if len(t.find_parents("table")) == 3:
    depth3.append(t)

对于您的页面，这将导致选择 6 个表格 - 三个用于标题(“早餐”、“午餐”、“晚餐”)和三个用于菜单。它们交替 - 标题、菜单、标题、菜单等，因此您可以只处理位置 1、3 和 5 的表格。

你的解析现在应该容易多了。

关于python - BeautifulSoup 忽略表格内的嵌套表格，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/28058203/