使用 BeautifulSoup 从表的前两列中提取日期并将它们排列在 Pandas 数据框中，没有重复

Posted 2023-03-05

【中文标题】使用 BeautifulSoup 从表的前两列中提取日期并将它们排列在 Pandas 数据框中，没有重复

【英文标题】：Extraction of date from first two columns of a table using BeautifulSoup and arranging them in Pandas dataframe without duplicates

【发布时间】：2022-01-19 20:41:29

【问题描述】：

这是我之前的问题Extraction of tds from table using BeautifulSoup and arranging them in Pandas dataframe together with the table id的后续问题

我在解决方案中遇到了异常行为：

由于存在第三列而导致空行条目，遗憾的是我在上述问题中没有提及它 在我的上述问题中创建的 Pandas 数据框中出现重复记录

我提取了以下 html 代码：

<table id=table1>

  <thead>
    <tr class="table_columns">
      <th id="header1">
        "Column 1 Title"
      </th>
      <th id="header2">
        "Column 2 Title"
      </th>
      <th id="header3">
        <span></span>
      </th>
    </tr>
  </thead>
  
  <tbody>
    <tr class="evenRow">
      <td headers="_header1">firstrowcolumn1data</td>
      <td headers="_header2">firstrowcolumn2data</td>
      <td headers="_header3">
        <a>
          <img src="image1">
        </a>
      </td>
    </tr>
    <tr class="oddRow">
      <td headers="_header1">secondrowcolumn1data</td>
      <td headers="_header2">secondrowcolumn2data</td>
      <td headers="_header3">
        <a>
          <img src="image1">
        </a>
    </tr>
  </tbody>
</table>

我需要提取表（table1）的表数据和id，然后将它们排列成一个Pandas数据框，类似这样：

id	table data
table1	firstrowcolumn1data
table1	firstrowcolumn2data
table1	secondrowcolumn1data
table1	secondrowcolumn2data

我已经实施了针对我之前的问题给出的以下解决方案：

data = []
for table in s.find_all('table'):
    for td in table.find_all('td'):
        data.append((table.get('id'), td.text))
df = pd.DataFrame(data, columns=['id', 'table data'])

但是，我的输出如下：

id	table data
None	firstrowcolumn1data
None	firstrowcolumn2data
None
None	secondrowcolumn1data
None	secondrowcolumn2data
None
table1	firstrowcolumn1data
table1	firstrowcolumn2data
table1
table1	secondrowcolumn1data
table1	secondrowcolumn2data
table1

请指教。

【问题讨论】：

我无法重现相同的错误数据帧。我通过运行您的代码得到的 datframe 看起来就像您预期的那样，有几行以 \n\n\n\n\n 作为内容。

您确定您提供的 HTML 与您使用的相同吗？

@user17242583 我不能在这里展示整个代码，因为它太复杂了。鉴于我面临的其他挑战，我愿意接受以“无”为 id 的重复项

【参考方案1】：

试试这个：

df = df.assign(**'table data': df['table data'].str.replace(r'^\s+$', '', regex=True)).replace(None:np.nan,'':np.nan,'None':np.nan).dropna()

输出：

>>> df
        id            table-data
6   table1  firstrowcolumn1data 
7   table1  firstrowcolumn2data 
9   table1  secondrowcolumn1data
10  table1  secondrowcolumn2data