使用 pd.read_html 解析 html table，其中单元格本身包含完整的 table

Question

我需要从 html 中解析一个 table，它有其他 table 嵌套在较大的 table 中。正如下面使用 pd.read_html 调用的那样，这些嵌套的 table 中的每一个都被解析，然后 "inserted"/"concatenated" 作为行。

我希望将这些嵌套的 table 分别解析为它们自己的 pd.DataFrames 并作为对象作为相应列的值插入。

如果这不可能，那么将嵌套table的原始html作为相应位置的字符串就可以了。

测试代码：

import pandas as pd
df_up = pd.read_html("up_pf00344.test.html", attrs = {'id': 'results'})

输出截图：

在 html 中呈现的 table 的屏幕截图：

Link 到文件：https://gist.github.com/smsaladi/6adb30efbe70f9fed0306b226e8ad0d8#file-up_pf00344-test-html-L62

Answer 1

您不能使用 read_html 来读取嵌套的 table，但您可以滚动自己的 html reader 并使用 read_html 作为 table 单元格：

import pandas as pd
import bs4

with open('up_pf00344.test.html') as f:
    html = f.read()
soup = bs4.BeautifulSoup(html, 'lxml')
results = soup.find(attrs = {'id': 'results'})

# get first visible header row as dataframe headers
for row in results.thead.find_all('tr'):
    if 'display:none' not in row.get('style',''):
        df = pd.DataFrame(columns=[col.get_text() for col in row.find_all('th')])
    break

# append all table rows to dataframe
for row in results.tbody.find_all('tr', recursive=False):
    if 'display:none' in row.get('style',''):
        continue
    df_row = []
    for col in row.find_all('td', recursive=False):
        table = col.find_all('table')
        df_row.append(pd.read_html(str(col))[0] if table else col.get_text())
    df.loc[len(df)] = df_row

df.iloc[0].map(type)的结果：

                                                            <class 'str'>
Entry                                                       <class 'str'>
Organism                                                    <class 'str'>
Protein names                                               <class 'str'>
Gene names                                                  <class 'str'>
Length                                                      <class 'str'>
Cross-reference (Pfam)                                      <class 'str'>
Cross-reference (InterPro)                                  <class 'str'>
Taxonomic lineage IDs                                       <class 'str'>
Subcellular location [CC]                                   <class 'str'>
Signal peptide                                              <class 'str'>
Transit peptide                                             <class 'str'>
Topological domain                  <class 'pandas.core.frame.DataFrame'>
Transmembrane                       <class 'pandas.core.frame.DataFrame'>
Intramembrane                       <class 'pandas.core.frame.DataFrame'>
Sequence caution                                            <class 'str'>
Caution                                                     <class 'str'>
Taxonomic lineage (SUPERKINGDOM)                            <class 'str'>
Taxonomic lineage (KINGDOM)                                 <class 'str'>
Taxonomic lineage (PHYLUM)                                  <class 'str'>
Cross-reference (RefSeq)                                    <class 'str'>
Cross-reference (EMBL)                                      <class 'str'>
e                                                           <class 'str'>

奖励：由于您的 table 行有一个 id，您可以将其用作数据帧的索引 df.loc[row.get('id')] = df_row 而不是 df.loc[len(df)] = df_row。

使用 pd.read_html 解析 html table，其中单元格本身包含完整的 table

Parsing an html table with pd.read_html where cells contain full-tables themselves

html

python

lxml

beautifulsoup

pandas