使用Python BeautifulSoup将含嵌套表格的HTML日志转CSV遇问题求助

核心思路是：遍历父表格单元格时，先把内部的嵌套表格转换成结构化纯文本，替换掉原表格节点，再提取单元格内容，这样嵌套内容就会保留在原列中，不会扩散到其他列。

具体实现代码 #

from bs4 import BeautifulSoup
import csv

def convert_nested_table(nested_table):
    # 将嵌套表格转为带结构的纯文本
    table_content = []
    for row in nested_table.find_all('tr'):
        # 提取当前行所有单元格的文本
        cell_texts = [cell.get_text(strip=True) for cell in row.find_all(['td', 'th'])]
        # 用制表符分隔单元格，模拟表格结构
        table_content.append('\t'.join(cell_texts))
    # 换行分隔每一行
    return '\n'.join(table_content)

# 读取目标HTML文件
with open('log.html', 'r', encoding='utf-8') as html_file:
    soup = BeautifulSoup(html_file.read(), 'html.parser')

# 定位父表格（根据实际HTML结构调整选择器，比如加class/id）
parent_table = soup.find('table')

# 写入CSV文件
with open('result.csv', 'w', newline='', encoding='utf-8') as csv_file:
    csv_writer = csv.writer(csv_file)
    
    for row in parent_table.find_all('tr'):
        processed_row = []
        for cell in row.find_all(['td', 'th']):
            # 检查单元格内是否存在嵌套表格
            nested_tables = cell.find_all('table')
            if nested_tables:
                # 逐个替换嵌套表格为纯文本
                for nt in nested_tables:
                    nt_text = convert_nested_table(nt)
                    nt.replace_with(nt_text)
            # 清理单元格文本的多余空白，避免CSV格式混乱
            clean_text = cell.get_text(strip=True).replace('\n', ' ').replace('\t', ' ')
            processed_row.append(clean_text)
        csv_writer.writerow(processed_row)

关键细节说明 #

• 替换嵌套表格节点：用replace_with方法把原始的<table>节点直接替换成转换后的纯文本，这样BeautifulSoup后续解析单元格内容时，不会把嵌套表格的行/列当成父表格的一部分。
• 结构化纯文本：用制表符分隔嵌套表格的单元格、换行分隔行，既保留了错误报告的表格结构，又不会破坏CSV的列格式。
• 文本清理：把单元格内的换行和制表符替换成空格，避免这些符号导致CSV列错位。

额外调整建议 #

• 如果HTML中有多个父表格，用soup.find_all('table')遍历，通过class、id等属性区分父表格和嵌套表格（比如父表格有log-table类，嵌套表格有error-table类）。
• 多层嵌套表格的情况，可以把convert_nested_table改成递归函数，自动处理所有层级的嵌套表格。
• 可以根据需求调整嵌套文本的格式，比如添加--- 错误报告表格 ---前缀，让CSV里的内容更清晰。

内容的提问来源于stack exchange，提问作者shreyans