如何在文本文件中解析表格？

Question

我想在底部湊這個頁面的持股表，讓每列中的信息：https://www.sec.gov/Archives/edgar/data/1412093/000114036111027807/0001140361-11-027807.txt

我到目前爲止是這樣的：

from bs4 import BeautifulSoup 
import urllib2 
import datetime 
import sys 

def scrape(url): 
    htmlfile = urllib2.urlopen(url) 
    htmltext = htmlfile.read() 
    bs = BeautifulSoup(htmltext) 
    tables =bs.find_all('table') 
    for table in tables: 
     print table 

if __name__ == '__main__': 
    url = 'https://www.sec.gov/Archives/edgar/data/1412093/000114036111027807/0001140361-11-027807.txt' 
    scrape(url) 

然而，這隻能讓我看到桌子，而我似乎無法進一步逐行解析它。 任何幫助，這將不勝感激，謝謝！

Answer 1

問題是，這不是一個HTML表，而是一個空間分隔的列集，你將不得不進行不同的解析。下面是使用splitlines()表分成行和split()分割成列的很幼稚，但工作液：

import urllib2 

from bs4 import BeautifulSoup 

def scrape(url): 
    htmlfile = urllib2.urlopen(url) 
    htmltext = htmlfile.read() 
    bs = BeautifulSoup(htmltext, "html.parser") 

    data = bs.find('table').get_text().splitlines()[10:] 
    for line in data: 
     print([item for item in line.split()]) 

if __name__ == '__main__': 
    url = 'https://www.sec.gov/Archives/edgar/data/1412093/000114036111027807/0001140361-11-027807.txt' 
    scrape(url) 

打印：

['ADVENTRX', 'PHARMAMACEUTICALS', 'INC', 'COM', 'NEW', '00764X202', '289', '138,377', 'SH', 'SOLE', 'N/A', '138,377'] 
['AMGEN', 'INC', 'COM', '31162100', '54,519', '1,020,000', 'SH', 'SOLE', 'N/A', '1,020,000'] 
... 
['SOUTHERN', 'UN', 'CO', 'NEW', 'COM', '844030106', '5,328', '186,154', 'SH', 'SOLE', 'N/A', '186,154'] 
['TAKE-TWO', 'INTERACTIVE', 'SOFTWAR', 'COM', '874054109', '151,310', '9,844,502', 'SH', 'SOLE', 'N/A', '9,844,502'] 

最不可靠的是，[10:]片。我要離開這個讓你改進。