提取HTML表格数据方法详解
本文系统介绍了五种高效提取HTML表格数据的实用方法——从浏览器端的JavaScript DOM遍历、服务端Python的BeautifulSoup解析与Pandas自动化转换,到轻量级正则匹配和高精度XPath定位,覆盖不同场景下的技术选型:无论是调试静态页面、批量处理网页源码、快速获取结构化DataFrame,还是应对嵌套复杂或不规范HTML,都能找到适配方案。无论你是前端开发者、数据分析师还是爬虫新手,都能从中获得即学即用的解析思路与可复制的代码范例。

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。
今天关于《提取HTML表格数据方法详解》的内容就介绍到这里了,是不是学起来一目了然!想要了解更多关于的内容请关注golang学习网公众号!
个税专项扣除申报步骤详解
- 上一篇
- 个税专项扣除申报步骤详解
- 下一篇
- 必应词典网页版入口查询方法
-
- 文章 · 前端 | 6分钟前 | 前端 · 路由 · javascript · JavaScript 命名参数 相对URL URLPattern URLPattern.exec baseURL
- JavaScript URLPattern.exec 怎样用 baseURL 匹配相对路由地址
- 283浏览 收藏
-
- 文章 · 前端 | 23小时前 | 前端 · javascript · JavaScript DOM遍历 NodeIterator referenceNode
- JavaScript NodeIterator.referenceNode 怎样读取迭代器当前参照的节点
- 326浏览 收藏
-
- 文章 · 前端 | 1天前 | 前端 · JavaScript Event defaultPrevented
- JavaScript Event.defaultPrevented 怎样判断事件默认行为是否已经被取消
- 391浏览 收藏
-
- 文章 · 前端 | 1天前 | 前端 · javascript · 浏览器API · JavaScript Selection focusNode focusOffset DOM Node 文本选择
- JavaScript Selection.focusNode 怎样取得用户当前延伸选择的端点节点
- 492浏览 收藏
-
- 文章 · 前端 | 1天前 | 前端 · javascript · JavaScript CSSOM CSSStyleSheet CSSRule parentStyleSheet cssRules parentRule
- JavaScript CSSRule.parentStyleSheet 怎样取得一条规则所属的样式表
- 323浏览 收藏
-
- 文章 · 前端 | 1天前 | javascript · JavaScript 滚动条 Element.clientLeft 左边框
- JavaScript Element.clientLeft 怎样理解左边框宽度与滚动条占位
- 290浏览 收藏
-
- 文章 · 前端 | 1天前 | 前端 · javascript · JavaScript Shadow DOM Event.composed
- JavaScript Event.composed 怎样判断事件能否跨越影子根边界
- 149浏览 收藏
-
- 文章 · 前端 | 1天前 | javascript · JavaScript dom Selection anchorOffset
- JavaScript Selection.anchorOffset 怎样理解选择起点在文本与元素中的偏移
- 496浏览 收藏
-
- 文章 · 前端 | 1天前 | javascript · JavaScript CSSStyleSheet ownerRule CSSImportRule
- JavaScript StyleSheet.ownerRule 怎样取得导入样式表对应的规则对象
- 357浏览 收藏
-
- 文章 · 前端 | 1天前 | html · 前端 · javascript · 表单 · JavaScript id for label 表单控件 Control HTMLLabelElement
- JavaScript HTMLLabelElement.control 怎样取得标签实际关联的表单控件
- 338浏览 收藏
-
- 文章 · 前端 | 1天前 | 前端 · javascript · JavaScript DOM遍历 TreeWalker NodeFilter whatToShow
- JavaScript TreeWalker.whatToShow 怎样区分节点类型掩码与自定义过滤器
- 223浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1127次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1112次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1287次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1227次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1077次使用
-
- JavaScript函数定义及示例详解
- 2025-05-11 502浏览
-
- 智能体安全引领产业升级——国内AI安全产品市场深度分析
- 2026-08-21 501浏览
-
- CSS变量简化按钮悬停效果技巧
- 2026-05-31 501浏览
-
- JavaScript符号类型详解与应用
- 2026-05-31 501浏览
-
- HTML剪贴板复制粘贴怎么用
- 2026-05-26 501浏览
