pd.read_html 获取网页上的表格数据

摘要:
1、 Pd.read _ Html参数函数参数pandas.read _ Html(io,header=None,highlight=read_Html I,Pd.read_Html用法主要用于抓取网页的表,encoding=“gbk”)df1=Pd.read _ Html(url1)[0]#打印预览df1#导出到CSVdf1。to_ csv(r“C:
一、pd.read_html 参数

函数参数

pandas.read_html(io, match='.+', flavor=None, header=None, index_col=None, skiprows=None, 
attrs=None, parse_dates=False, thousands=',', encoding=None, decimal='.', converters=None,
na_values=None, keep_default_na=True, displayed_only=True)

主要参数

io:ulr

其他参数请看官网:https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_html.html?highlight=read_html

一、pd.read_html 用法

主要用于爬取网页的表格,注意图片是不能爬取的

案例1:抓取世界大学排名榜(第1页的数据)

# 导入库
import pandas as pd 
import csv

# 传入要抓取的url
url1 = "http://www.compassedu.hk/qs"

#0表示选中网页中的第一个Table,或者这么使用pd.read_html(url, header=0, index_col=0,encoding = "gbk")
df1 = pd.read_html(url1)[0]
# 打印预览
df1
# 导出到CSV
df1.to_csv(r"C:UsersQDMDesktop世界大学综合排名.csv",index=0,encoding = "gbk")

# 或导出到Excel
df1.to_excel(r"C:UsersQDMDesktop世界大学综合排名.xlsx",index=0)

pd.read_html 获取网页上的表格数据第1张

示例2:抓取新浪财经基金重仓股数据(共6页数据)

 pd.read_html 获取网页上的表格数据第2张

import pandas as pd
import csv
df2 = pd.DataFrame()
for i in range(6):
    url2 = "http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p={page}".format(page=i+1)
    df2 = pd.concat([df2,pd.read_html(url2)[0]])
    print("第{page}页抓取完成".format(page = i + 1))
    
# 保存到CSV
df2.to_csv(r"C:UsersQDMDesktop新浪财经数据.csv",encoding = "gbk",index=0)

# 保存到Excel
df2.to_excel(r"C:UsersQDMDesktop新浪财经数据.xlsx",index=0)

示例3:抓取证监会披露的IPO数据(共217页数据)

#  导入所需要用到的库
import pandas as pd
from pandas import DataFrame
import csv
import time

#程序计时
start = time.time() 
    
#添加列名
#"公司名称","披露类型","上市板块","保荐机构","披露时间","公告"
df3 = DataFrame(data=None,columns=["公司名称","披露类型","上市板块","保荐机构","披露时间","公告"]) 
for i in range(1,51):  
    url3 = "http://eid.csrc.gov.cn/ipo/1017/index.html"
     #必须加utf-8,否则乱码
    df3_1 = pd.read_html(url3,encoding = "utf-8")[0]
     #过滤掉最后一行和最后一列(NaN列)
    #df3_2 = df3_1.iloc[1:len(df3_1)-1,0:-1]
     #新的df添加列名
    df3_1.columns=["公司名称","披露类型","上市板块","保荐机构","披露时间","公告"]
     #数据合并
    df3 = pd.concat([df3,df3_1])
    print("第{page}页抓取完成".format(page = i))

pd.read_html 获取网页上的表格数据第3张

温馨提示:并不是所有表格都可以用read_html()来抓取,有的网站表面上看起来是表格,但在网页源代码中不是table格式,而是list列表格式。

这种表格则不适用read_html爬取,得用其他的方法,比如selenium

文章参考:https://my.oschina.net/u/3750423/blog/4473904,https://www.zhihu.com/question/441361902/answer/1800339000

免责声明:文章转载自《pd.read_html 获取网页上的表格数据》仅用于学习参考。如对内容有疑问,请及时联系本站处理。

上篇sqlserver数据库中的mdf文件太大,表空间分析和表空间释放sudo配置临时取得root权限下篇

宿迁高防,2C2G15M,22元/月;香港BGP,2C5G5M,25元/月 雨云优惠码:MjYwNzM=

相关文章

MySQL性能优化

1. 简介 在Web应用程序体系架构中,数据持久层(通常是一个关系数据库)是关键的核心部分,它对系统的性能有非常重要的影响。MySQL是目前使用最多的开源数 据库,但是MySQL数据库的默认设置性能非常的差,仅仅是一个玩具数据库。因此在产品中使用MySQL数据库必须进行必要的优化。 优化是一个复杂的任务,本文描述MySQL相关的数据库设计和查询优化,服务器...

WebAPI安全与认证授权 学习笔记

一,两种类型的防护方式: 1.REST(表述性状态传递) API 安全防护:   REST API 使用 HTTP 并且支持传输层安全性(TLS)加密(HTTPS)。TLS 是确保互联网连接私密性的一个标准,可以检查两个系统(服务器与服务器或服务器与客户端)之间发送的数据是否受到加密且未被篡改。 2.SOAP(简单对象访问协议) API 安全防护:   也...

前端动态表单的处理方法

背景: 类似于如下的表单的形式,如果我们提前知道了表单的key,那么我们就可以通过正常的处理表单形式,完成相关数据的获取。 但是,如果我们事先不知道表单的属性key值及对应的输入框还是select框, 那我们就得选择其他方式处理。  步骤一:首先,我们约定,后台返回的格式如下: 其中,code字段的具体值为表单的key,type为到底是输入框还是选择框,...

WinCE串口蓝牙的实现 .

此篇文章用于说明如何在WinCE系统上实现串口蓝牙,希望给想在CE上实现这个功能的“新手”朋友一个帮助。    先说一下我的硬件环境:CSR BC4 ROM蓝牙芯片,S3C6410,WinCE6.0系统。     硬件连接:把蓝牙的RX,TX,CTS,RTS和板子上的相应口连接,注意是交叉连接,我这里连接的是UART1。还有就是给蓝牙供电,地,天线等。  ...

WPF自定义控件与样式(9)-树控件TreeView与菜单Menu-ContextMenu

一.前言   申明:WPF自定义控件与样式是一个系列文章,前后是有些关联的,但大多是按照由简到繁的顺序逐步发布的等,若有不明白的地方可以参考本系列前面的文章,文末附有部分文章链接。   本文主要内容: 菜单Menu的自定义样式; 右键菜单ContextMenu的自定义样式; 树控件TreeView的自定义样式,及右键菜单实现。 二.菜单Me...

【CCS仿真】如何将CCS仿真时memory中的数据以Hex、Integer、 Long 、Float、 Addressable Unit类型保存到PC

2013-12-04 19:07:05 将在CCS中仿真的数据导入电脑上时,可以选择不同的数据类型,以便分析,具体方法如下: 在CCS菜单中,选择File—>Data—>Save,弹出以下窗口:                         在文件名中输入要保存的文件的名字,在保存类型中可以选择保存的文件类型以及格式。文件类型有dat文件与...