如何从Basketball Reference的Team Misc表格提取数值数据？

步骤1：解析注释中的表格HTML #

Basketball Reference会将部分表格内容包裹在HTML注释中，需要先从你获取的table_text里提取出注释内的表格代码：

import re
from bs4 import BeautifulSoup, Comment

# 从table_text中筛选包含目标表格的注释
comments = table_text.find_all(string=lambda text: isinstance(text, Comment))
for comment in comments:
    if 'id="team_misc"' in comment:
        table_soup = BeautifulSoup(comment, 'html.parser')
        break

步骤2：提取纯数值数据 #

定位到表格后，遍历数据行，筛选出仅包含数字的单元格内容：

# 获取表格主体区域
table_body = table_soup.find('tbody')
rows = table_body.find_all('tr')

numeric_data = []
for row in rows:
    # 跳过表头行和空行
    if row.get('class') and 'thead' in row.get('class'):
        continue
    # 获取当前行的所有单元格
    cells = row.find_all('td')
    row_numbers = []
    for cell in cells:
        text = cell.get_text(strip=True)
        # 匹配整数或浮点数格式的内容
        if re.match(r'^-?\d+(\.\d+)?$', text):
            # 区分整数和浮点数存储
            row_numbers.append(float(text) if '.' in text else int(text))
    if row_numbers:
        numeric_data.append(row_numbers)

# 输出提取到的纯数值列表
print(numeric_data)

关键说明 #

• 必须处理HTML注释：网站为了渲染逻辑会把表格藏在注释里，直接解析table_text拿不到表格结构
• 正则匹配确保只提取纯数值：过滤掉文字、排名符号（如*）等非数值内容
• 跳过冗余行：表格里的表头行（如Team、Lg Rank对应的行）需要跳过，只保留数据行

内容的提问来源于stack exchange，提问作者apersoninneed