秀！用Pandas 也能爬虫！

谈及 Pandas 的 read.xxx 系列的函数，大家的第一反应会想到比较常用的 pd.read_csv() 和 pd.read_excel()，大多数人估计没用过 pd.read_html() 这个函数。虽然它低调，但功能非常强大，用于抓取Table表格型数据时，简直是个神器。

是的，这个神器可以用来爬虫！

本文目录

定 义

pd.read_html() 这个函数功能强大，无需掌握正则表达式或者 xpath 等工具，短短的几行代码就可以轻松实现抓取 Table 表格型网页数据。

原 理

一.Table 表格型数据网页结构

为了了解 Table 网页结构，我们看个简单例子。

指南者留学网

没错，简单！

另一个例子：

新浪财经网

规律：以 Table 结构展示的表格数据，网页结构长这样：

<table class="..." id="...">
     <thead>
     <tr>
     <th>...</th>
     </tr>
     </thead>
     <tbody>
        <tr>
            <td>...</td>
        </tr>
        <tr>...</tr>
        <tr>...</tr>
        ...
        <tr>...</tr>
        <tr>...</tr>        
    </tbody>
</table>

Table 表格一般网页结构

二.pandas 请求表格数据原理

基本流程

其实，pd.read_html 可以将网页上的表格数据都抓取下来，并以 DataFrame 的形式装在一个 list 中返回。

三.pd.read_html 语法及参数

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）

基本语法

io ：接收网址、文件、字符串；

parse_dates：解析日期；

flavor：解析器；

header：标题行；

skiprows：跳过的行；

attrs：属性，比如 attrs = {‘id’: ‘table’}

主要参数

实 战

一.案例1：抓取世界大学排名（1 页数据）

import pandas as pd   
import csv  
url1 = 'http://www.compassedu.hk/qs'  
df1 = pd.read_html(url1)[0]  #0表示网页中的第一个Table  
df1.to_csv('世界大学综合排名.csv',index=0)  

5 行代码，几秒钟就搞定，数据预览：

世界大学排行榜

二.案例 2：抓取新浪财经基金重仓股数据（6 页数据）

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))  
    df2.to_csv('./新浪财经数据.csv',encoding='utf-8',index=0)  

8 行代码搞定，还是那么简单。

我们来预览下爬取到的数据：

基金重仓股数据

三.案例3：抓取证监会披露的 IPO 数据（217 页数据）

import pandas as pd  
 from pandas import DataFrame  
 import csv  
 import time  
 start = time.time() #计时  
 df3 = DataFrame(data=None,columns=['公司名称','披露日期','上市地和板块','披露类型','查看PDF资料']) #添加列名  
 for i in range(1,218):    
     url3 ='http://eid.csrc.gov.cn/ipo/infoDisplay.action?pageNo=%s&temp=&temp1=&blockType=byTime'%str(i)  
     df3_1 = pd.read_html(url3,encoding='utf-8')[2]  #必须加utf-8，否则乱码  
    df3_2 = df3_1.iloc[1:len(df3_1)-1,0:-1]  #过滤掉最后一行和最后一列（NaN列）  
    df3_2.columns=['公司名称','披露日期','上市地和板块','披露类型','查看PDF资料'] #新的df添加列名  
    df3 = pd.concat([df3,df3_2])  #数据合并  
    print('第{page}页抓取完成'.format(page=i))  
df3.to_csv('./上市公司IPO信息.csv', encoding='utf-8',index=0) #保存数据到csv文件  
end = time.time()  
print ('共抓取',len(df3),'家公司,' + '用时',round((end-start)/60,2),'分钟')

这里注意要对抓下来的 Table 数据进行过滤，主要用到 iloc 方法。另外，我还加了个程序计时，方便查看爬取速度。

2 分钟爬下 217 页 4334 条数据，相当 nice 了。我们来预览下爬取到的数据：

上市公司IPO数据

注意，并不是所有表格都可以用 pd.read_html 爬取，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。

爬虫这种技术，既不需要你系统地精通一门语言，也不需要多么高深的数据库技术。

我这里准备了详细的Python资料，除了为你提供一条清晰的学习路径，我甄选了最实用的学习资源以及庞大的实例库。短时间的学习，你就能够很好地掌握爬虫这个技能，获取你想得到的数据。

01 专为0基础设置，小白也能轻松学会

我们把Python的所有知识点，都穿插在了漫画里面。

在Python小课中，你可以通过漫画的方式学到知识点，难懂的专业知识瞬间变得有趣易懂。


你就像漫画的主人公一样，穿越在剧情中，通关过坎，不知不觉完成知识的学习。

02 无需自己下载安装包，提供详细安装教程

03 规划详细学习路线，提供学习视频

04 提供实战资料，更好巩固知识

05 提供面试资料以及副业资料，便于更好就业

这份完整版的Python全套学习资料已经上传CSDN，朋友们如果需要也可以扫描下方csdn官方二维码或者点击主页和文章下方的微信卡片获取领取方式，【保证100%免费】