如何解决表格列中的问题？

问题描述

我正在从网站中提取一张桌子。我已经尝试过Pandas和BeautifulSoup。

这是我尝试的代码示例：

    res = requests.get("https://www.dasoertliche.de/Themen/Postleitzahlen/Berlin.html")
    soup = BeautifulSoup(res.content,'lxml')   
    table = soup.find_all('table')[0]    
    df = pd.read_html(str(table))[0]    
    df    

网站表如下所示

我的结果看起来像这样

我希望第三列中的单词用逗号分隔 有什么想法吗？！

解决方法

如果您将看到HTML响应。您会在该列中找到<br/>标签，用于在下一行显示每个标签。您可以简单地用 <br/>

替换,

res = requests.get("https://www.dasoertliche.de/Themen/Postleitzahlen/Berlin.html")
soup = BeautifulSoup(res.content,'lxml')   
table = str(soup.find_all('table')[0]) 

#replce <br> with comma
table = table.replace("<br/>",",")

df = pd.read_html(str(table))[0]    
df 

输出：

,

我不知道这是否是一个选项，但是您可以尝试使用正则表达式-如果该模式是固定的，即所有单独的单词均以大写字母开头，并且其他字符串中没有其他大写字母，则可以尝试在每个大写字母之前添加空格：

for i in range(len(df)):
    df['Ortsteil'][i] = re.sub(r"(\w)([A-Z])",r"\1 \2",df['Ortsteil'][i]) 

或者不循环df：

df['Ortsteil'] = df['Ortsteil'].apply(lambda x: re.sub('(\w)([A-Z])',str(x)))

,

尝试一下：

html = requests.get('https://www.dasoertliche.de/Themen/Postleitzahlen/Berlin.html').text.replace("<br/>",',')
df = pd.read_html(html,attrs={'id': 'tl-plz'})[0]
df

问题出在表内的<br/>，所以我们首先要解决它。