pandas 数据载入、存储及文件格式(文本格式数据的读写—XML 和 HTML:网络抓取)

                     文本格式数据的读写—XML 和 HTML:网络抓取

 

pandas 拥有很多可以对 HTML 和 XML 格式进行读取、写入数据的库,例如 lxml(http://lxml.de)、Beautiful Soup 和 html5lib。尽管 lxml 是相对更快的库,但其他库可以更好地处理异常的 HTML 或 XML 文件。

一、pandas.read_html 解析 HTML

    pandas 的内建函数 read_html 可以使用 lxml 和 Beautiful Soup 等库将 HTML 中的表自动解析为 DataFrame 对象。

    1、安装 read_html 所使用的附加库

        (1) 方案一:

            conda install lxml

            conda install beautifulsoup4 html5lib

        (2) 方案二:

            pip install lxml

            pip install beautifulsoup4 html5lib

    2、pandas.read_html 解析美国 FDIC 政府机构的 银行倒闭数据 的 HTML

        (1) pandas.read_html 函数有很多选项,但是默认情况下,它会搜索并尝试解析所有包含在 <table> 标签中的表格型数据,返回的结果是 DataFrame 对象的列表

            

            

            

        (2) 对数据进行清理和分析,计算每年银行倒闭的数量

            

            

            

        

二、lxml.objectify 解析 XML

    XML(eXtensible Markup Language)是另一种常用的结构化数据格式,它使用元组数据支持分层、嵌套数据。

    1、纽约大都会交通局(MTA)发布的关于其公交、火车服务(http://web.mta.info/developers/download.html)的数据集     

        (1) XML 格式: 

<INDICATOR>
  <INDICATOR_SEQ>28445</INDICATOR_SEQ>
  <PARENT_SEQ></PARENT_SEQ>
  <AGENCY_NAME>Metro-North Railroad</AGENCY_NAME>
  <INDICATOR_NAME>On-Time Performance (West of Hudson)</INDICATOR_NAME>
  <DESCRIPTION>Percent of commuter trains that arrive at their destinations within 5 minutes and 59 seconds of the scheduled time. West of Hudson services include the Pascack Valley and Port Jervis lines. Metro-North Railroad contracts with New Jersey Transit to operate service on these lines.
</DESCRIPTION>
  <PERIOD_YEAR>2008</PERIOD_YEAR>
  <PERIOD_MONTH>1</PERIOD_MONTH>
  <CATEGORY>Service Indicators</CATEGORY>
  <FREQUENCY>M</FREQUENCY>
  <DESIRED_CHANGE>U</DESIRED_CHANGE>
  <INDICATOR_UNIT>%</INDICATOR_UNIT>
  <DECIMAL_PLACES>1</DECIMAL_PLACES>
  <YTD_TARGET>95.00</YTD_TARGET>
  <YTD_ACTUAL>96.90</YTD_ACTUAL>
  <MONTHLY_TARGET>95.00</MONTHLY_TARGET>
  <MONTHLY_ACTUAL>96.90</MONTHLY_ACTUAL>
</INDICATOR>
<INDICATOR>
  <INDICATOR_SEQ>28445</INDICATOR_SEQ>
  <PARENT_SEQ></PARENT_SEQ>
  <AGENCY_NAME>Metro-North Railroad</AGENCY_NAME>
  <INDICATOR_NAME>On-Time Performance (West of Hudson)</INDICATOR_NAME>
  <DESCRIPTION>Percent of commuter trains that arrive at their destinations within 5 minutes and 59 seconds of the scheduled time. West of Hudson services include the Pascack Valley and Port Jervis lines. Metro-North Railroad contracts with New Jersey Transit to operate service on these lines.
</DESCRIPTION>
  <PERIOD_YEAR>2008</PERIOD_YEAR>
  <PERIOD_MONTH>2</PERIOD_MONTH>
  <CATEGORY>Service Indicators</CATEGORY>
  <FREQUENCY>M</FREQUENCY>
  <DESIRED_CHANGE>U</DESIRED_CHANGE>
  <INDICATOR_UNIT>%</INDICATOR_UNIT>
  <DECIMAL_PLACES>1</DECIMAL_PLACES>
  <YTD_TARGET>95.00</YTD_TARGET>
  <YTD_ACTUAL>96.00</YTD_ACTUAL>
  <MONTHLY_TARGET>95.00</MONTHLY_TARGET>
  <MONTHLY_ACTUAL>95.00</MONTHLY_ACTUAL>
</INDICATOR>

        (2) JSON 格式:

[
    {
        'AGENCY_NAME': 'Metro-North Railroad',
        'INDICATOR_NAME': 'On-Time Performance (West of Hudson)',
        'DESCRIPTION': 'Percent of commuter trains that arrive at their destinations within 5 minutes and 59 seconds of the scheduled time. West of Hudson services include the Pascack Valley and Port Jervis lines. Metro-North Railroad contracts with New Jersey Transit to operate service on these lines.\n',
        'PERIOD_YEAR': 2008,
        'PERIOD_MONTH': 1,
        'CATEGORY': 'Service Indicators',
        'FREQUENCY': 'M',
        'DESIRED_CHANGE': 'U',
        'INDICATOR_UNIT': '%',
        'YTD_TARGET': 95.0,
        'YTD_ACTUAL': 96.9,
        'MONTHLY_TARGET': 95.0,
        'MONTHLY_ACTUAL': 96.9
    },
    {
        'AGENCY_NAME': 'Metro-North Railroad',
        'INDICATOR_NAME': 'On-Time Performance (West of Hudson)',
        'DESCRIPTION': 'Percent of commuter trains that arrive at their destinations within 5 minutes and 59 seconds of the scheduled time. West of Hudson services include the Pascack Valley and Port Jervis lines. Metro-North Railroad contracts with New Jersey Transit to operate service on these lines.\n',
        'PERIOD_YEAR': 2008,
        'PERIOD_MONTH': 2,
        'CATEGORY': 'Service Indicators',
        'FREQUENCY': 'M',
        'DESIRED_CHANGE': 'U',
        'INDICATOR_UNIT': '%',
        'YTD_TARGET': 95.0,
        'YTD_ACTUAL': 96.0,
        'MONTHLY_TARGET': 95.0,
        'MONTHLY_ACTUAL': 95.0
    }
]

    2、使用 lxml.objectify 解析纽约大都会交通局(MTA)发布的关于其公交、火车服务的数据集文件

        

        

        root.INDICATOR 返回一个生成器,可以产生每一个 <IDNICATOR> XML 元素。对于每条记录,我们可以将标签名称的字典(如 YTD_ACTUAL)填充为数据值(不包括几个标签):

        

        

        将包含字典的列表转换为 DataFrame:

        

    3、XML 数据每个标签也可以包含元数据

        一个 HTML 连接标签,也是有效的 XML:

        

        

        

        

        

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值