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。下面来详细介绍一下。
大家逛网页时,经常会看到这样一些数据表格,比如:
电影票房数据
![49ef9c20d130c1410677841bd354186f.png](https://i-blog.csdnimg.cn/blog_migrate/bcf5325fa2e343c04ebcf3929d38c041.jpeg)
世界大学排行榜数据
![17093f6ce7d91b37db0fce653ef84654.png](https://i-blog.csdnimg.cn/blog_migrate/894776bdd60f1463587f06aea0631112.jpeg)
财经数据
![352709e7a404e28472b605ea6ecf039a.png](https://i-blog.csdnimg.cn/blog_migrate/087f931e18babcc4a50f56b13f0a178f.jpeg)
如果查看一下网页的HTML结构(Chrome浏览器F12),会发现它们有个共同的特点,不仅是表格,还是以Table结构展示的表格数据,大致的网页结构如下
... ... ...... ... ......
针对网页结构类似的表格类型数据,pd.read_html()就派上了大用场了,它可以将网页上的表格都抓取下来,并以DataFrame的形式装在一个列表中返回。具体是这么个流程:
![cead1ebe5d29df0dc45b9290ee4fff24.png](https://i-blog.csdnimg.cn/blog_migrate/66fa8afd8c5a556a031ba2a6f3404eff.jpeg)
先介绍一下read_html的一些主要的参数
read_html
- io :str or file-like 接收网址、文件、字符串。网址不接受https,尝试去掉s后爬去
- header:int or list-like or None 指定列标题所在的行
- attrs : dict or None, optional 传递一个字典,用其中的属性筛选出特定的表格
- parse_dates:bool 解析日期
接下来以爬取新浪财经的基金重仓股为例演示一下,URL为:http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p=1
这部分有6页,点击不同的页数可以发现,请求URL主要是p参数在变动,p=n代表了第n页,所以一个for循环就可以遍历所有网址啦。URL的变动规律了解之后,就可以愉快的爬数据了,上代码
import pandas as pddf = pd.DataFrame()for i in range(6): url = 'http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p={page}'.format(page=i+1) df = pd.concat([df,pd.read_html(url)[0]]) print("第{page}页完成~".format(page=i+1))df.to_csv('./data.csv', encoding='utf-8', index=0)
![935d0ee479b284be6a009426767adb7b.png](https://i-blog.csdnimg.cn/blog_migrate/d0698087a105aa64370c489921b67c0f.jpeg)
整个过程不需要用到正则表达式或者xpath等工具,短短的几行代码就可以将数据嗖嗖地爬下来了,是不是超级无敌方便?赶紧动手操作一波吧!
日后在爬一些小型数据时,只要遇到这种Table类型的表格,就可以直接祭出read_html这个神器啦,别人还在琢磨正则、xpath怎么写的时候,你已经把数据爬完了,想想就很舒服!
来源:Python读财,作者易执