You need to enable JavaScript to run this app. 使用BeautifulSoup爬取表格时如何实现提取元素的换行分隔
优惠活动
大模型
产品
解决方案
定价
更多

使用BeautifulSoup爬取表格时如何实现提取元素的换行分隔

爬取表格单元格拼接问题修复方案

核心问题原因

  • 你当前调用的find()方法只会返回第一个匹配的标签元素,无法遍历所有符合条件的tr/td
  • 原代码对单个tr元素直接做for循环,实际遍历的是tr的子节点(文本、标签片段),不是目标tr行或td单元格
  • 你提供的HTML是不规范的残缺代码,多个<td>没有主动闭合,原逻辑没有按td节点拆分文本,直接输出整行的拼接内容,才会出现相邻单元格文本连在一起的问题

修复代码(基于你当前用的BeautifulSoup解析场景)

常规适配写法(适用于解析库正常自动补全HTML的场景)

把只取单个元素的find()换成遍历所有匹配元素的find_all(),先遍历所有表格行,再遍历每行的所有单元格:

# 遍历表格下所有tr行,不要用find()只取第一行
for tr in tabel.find_all('tr'):
    # 遍历当前行下所有td单元格,不要只取第一个td
    for td in tr.find_all('td'):
        # 清除文本前后的换行、空白后打印,自动换行输出
        print(td.text.strip())

兼容残缺HTML写法(适用于HTML格式混乱、解析库补全错位的场景)

如果上述方法仍出现文本拼接,说明解析库对未闭合td的自动补全出错,可以直接提取tr的原始HTML,用正则拆分每个td的内容:

import re
from bs4 import BeautifulSoup

# 拿到目标行的原始HTML字符串
tr_html = str(tabel.find('tr'))
# 兼容未闭合的td,按td起始标签拆分内容,匹配到下一个td或行结束为止
td_raw_list = re.findall(r'<td[^>]*>(.*?)(?=<td|</tr>|$)', tr_html, re.S)

for raw_content in td_raw_list:
    # 去掉残留的其他标签、换行、空白字符
    clean_text = re.sub(r'<[^>]+>', '', raw_content).strip()
    if clean_text:
        print(clean_text)

两种写法均可输出符合预期的效果:每个单元格内容独立换行显示,不会出现相邻单元格文本拼接的问题。


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

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.08 19:54:02