如何将表的标签解析为pandas df

你可以做的第一件事就是订购你的输出,并为它做好准备 DataFrame 使用字典而不是列表。我稍微修改了你的代码,以使用字典:

data = {}
rows = soup.find_all('tr')
for row in rows:
    cols = row.find_all('td')
    cols = [ele.text.strip() for ele in cols]
    cells = [ele for ele in cols]
    if cells:
        data[cells[0]] = cells[1] # key is country code, value is string to parse

print(data)

其输出:

{
 'AD': 'Catalan (Andorra)\xa0(ca-AD)',
 'AE': 'Arabic (United Arab Emirates)\xa0(ar-AE)',
 'AF': 'Persian (Afghanistan)\xa0(fa-AF)Pashto (Afghanistan)\xa0(ps-AF)Uzbek (Arabic, Afghanistan)\xa0(uz-Arab-AF)',
 'AG': 'English (Antigua & Barbuda)\xa0(en-AG)',
 'AI': 'English (Anguilla)\xa0(en-AI)',
 ...
}

现在我们必须应用正则表达式来解析语言代码。每个语言代码都包含在一对括号中,但我们在每个语言代码之前的括号中还有国家的名称。因此,可以获取括号中包含的字符串中的所有元素,并保留在匹配字符串的结果列表中具有奇数索引的元素。
我们需要记住,我们需要删除每个代码的括号。实现这些操作的代码如下:

import re

for key, value in data.items():
    print(value)
    strings_matched = re.findall("\([^(]*\)", value)
    codes = strings_matched[1::2] # keep only elements with odd index
    codes = [x[1:-1] for x in codes] # remove opening and closing parenthesis
    data[key] = codes

print(data)

最终的词典如下,可以轻松获取以国家代码开头的语言代码:

{'AD': ['ca-AD'],
 'AE': ['ar-AE'],
 'AF': ['fa-AF', 'ps-AF', 'uz-Arab-AF'],
 'AG': ['en-AG'],
 'AI': ['en-AI'],
 'AL': ['sq-AL'],
 'AM': ['hy-AM'],
 'AO': ['ln-AO', 'pt-AO'],
 ...
}