如何提取HTML表格数据｜详细教程

学习文章要努力，但是不要急！今天的这篇文章《如何提取HTML表格数据｜详细教程解析》将会介绍到等等知识点，如果你想深入学习文章，可以关注我！我会持续更新相关文章的，希望对大家都能有所帮助！

提取HTML表格数据有五种方法：一、JavaScript DOM API遍历节点；二、Python BeautifulSoup解析源码；三、Pandas read_html自动转DataFrame；四、正则表达式粗粒度匹配；五、XPath精准定位节点。

如果您需要从网页中提取HTML表格内的数据，但缺乏有效的解析手段，则可能是由于表格结构复杂或未采用标准DOM解析方式。以下是读取HTML表格数据的多种内容提取方法：

一、使用JavaScript原生DOM API遍历table元素

该方法直接操作浏览器环境中的DOM树，通过获取table、tbody、tr、td等节点，逐层提取文本内容，适用于已加载完成的静态页面。

1、在浏览器开发者工具控制台中输入document.querySelector('table')，确认目标表格存在且可被选中。

2、执行const table = document.querySelector('table'); const rows = table.querySelectorAll('tr');

3、遍历rows，对每一行调用row.querySelectorAll('td, th')获取单元格集合。

4、对每个单元格调用cell.textContent.trim()提取纯文本内容，并按行列组织为二维数组。

5、将结果使用console.table(data)输出，便于查看结构化数据。

二、利用Python的BeautifulSoup库解析HTML源码

该方法适合服务端批量处理HTML文件或远程网页源码，通过标签层级匹配定位表格区域，稳定性高且支持不规范HTML容错。

1、安装依赖：pip install beautifulsoup4 requests

2、使用requests.get(url)获取网页HTML响应内容，或用open()读取本地HTML文件。

3、创建soup = BeautifulSoup(html_content, 'html.parser')对象。

4、执行tables = soup.find_all('table')，根据索引或属性（如id、class）筛选目标表格。

5、对选定table对象调用find_all('tr')获取所有行，再嵌套遍历每行的find_all(['td', 'th'])提取.get_text(strip=True)值。

三、借助Pandas的read_html函数自动识别表格

该方法无需手动编写解析逻辑，Pandas内置HTML解析器能自动检测页面中所有table标签并转换为DataFrame，适合快速提取结构清晰的表格。

1、安装依赖：pip install pandas lxml html5lib

2、调用pandas.read_html(url)或pandas.read_html(html_string)，返回列表形式的DataFrame集合。

3、检查列表长度，使用print(len(tables))确认识别到的表格数量。

4、选取目标索引如df = tables[0]，验证列名与数据是否对齐。

5、对含合并单元格的表格，需额外设置flavor参数为'lxml'并配合header、skiprows等参数调整解析行为。

四、使用正则表达式粗粒度匹配表格内容

该方法绕过HTML解析器，直接对原始字符串进行模式匹配，适用于无法加载完整DOM或需极简依赖的嵌入式场景，但对嵌套结构和转义字符敏感。

1、读取HTML全文为字符串变量html_str。

2、编写正则pattern = r'

3、对每个table块重复应用r'

4、对匹配结果调用re.sub(r']+>', '', cell_text)清除残留标签。

5、使用html.unescape()处理HTML实体，例如将&替换为&，确保中文与符号正确还原。

五、通过XPath路径精准定位表格节点

该方法依托XML路径语言，在Selenium或lxml环境中实现高精度节点选取，尤其适用于具有唯一属性标识的复杂表格结构。

1、若使用lxml，导入from lxml import html；若使用Selenium，确保driver已加载目标页面。

2、解析HTML：tree = html.fromstring(html_content) 或 tree = html.fromstring(driver.page_source)。

3、编写XPath表达式如'//table[@id="data-table"]//tr'定位所有数据行。

4、对每行执行td_list = row.xpath('.//td/text() | .//th/text()')，合并文本节点结果。

5、过滤空值并调用.strip()清理空白，保留非空且长度大于0的字段内容。

以上就是《如何提取HTML表格数据｜详细教程》的详细内容，更多关于的资料请关注golang学习网公众号！