### Python 提取 HTML `tr` 标签下 `td` 内容的方法 在 Python 中，可以利用第三方库如 `lxml` 或者 `BeautifulSoup` 来解析 HTML 并提取指定标签下的内容。以下是基于 `lxml` 的实现方法： #### 使用 `lxml` 和 XPath 提取 `tr` 下的 `td` 内容 通过加载 HTML 文档并调用 `.xpath()` 方法来定位目标节点。 ```python from lxml import etree # 假设这是从某个响应中读取到的 HTML 数据 html_content = ''' <table> <tr> <td>Row 1 Col 1</td> <td>Row 1 Col 2</td> </tr> <tr> <td>Row 2 Col 1</td> <td>Row 2 Col 2</td> </tr> </table> ''' # 将字符串转换为可操作的 XML 对象 tree = etree.HTML(html_content) # 定位所有的 tr 节点，并进一步遍历其子节点 td trs = tree.xpath('//tr') for tr in trs: tds = tr.xpath('./td/text()') # 获取当前 tr 下的所有 td 文本 print(tds) ``` 上述代码会输出如下结果： ``` ['Row 1 Col 1', 'Row 1 Col 2'] ['Row 2 Col 1', 'Row 2 Col 2'] ``` 此方法适用于结构化良好的 HTML 文件[^3]。 --- #### 处理嵌套表格的情况 如果遇到更复杂的场景（例如嵌套表格），可以通过调整 XPath 表达式来精确匹配所需的 `tr` 和 `td` 元素。例如： ```python # 只选择顶层 table 下的第一个 tr 集合 top_trs = tree.xpath('(//table)[1]/tr') for top_tr in top_trs: cells = top_tr.xpath('.//td/text()') # 匹配当前 tr 下的所有 td 子代文本 print(cells) ``` 这种方法能够有效过滤掉不必要的嵌套层次[^5]。 --- #### 结合 Scrapy 实现动态抓取 当需要在一个完整的爬虫框架中完成这一任务时，Scrapy 是一种高效的选择。以下是一个简单的例子展示如何定义回调函数以处理页面中的 `tr` 和 `td` 数据： ```python import scrapy class TableSpider(scrapy.Spider): name = "table_spider" start_urls = ['http://example.com'] def parse(self, response): rows = response.xpath('//tr') # 找到所有 tr 元素 for row in rows: columns = row.xpath('./td/text()').getall() # 获取每行的所有 td 文本 yield { 'columns': columns, } ``` 运行该脚本后，每一行的数据会被打包成字典形式返回给下游管道进行存储或后续处理[^1]。 --- #### 注意事项 - 如果某些单元格为空，则可能不会被直接选中；此时需额外判断是否存在 `<td>` 占位符。 - 当面对不标准或者损坏的 HTML 输入时，建议先清理文档再执行解析逻辑[^4]。 ---