仙桃住房和城乡建设部网站,温州做网站价格,主题资源网站建设 反思,网站开发的方法有哪些说到爬虫#xff0c;大家可能都知道requests、re、scrapy、selenium等等一些工具库。虽然它低调#xff0c;但功能非常强大#xff0c;用于抓取Table表格型数据时#xff0c;简直是个神器#xff0c;没有必要去F12研究HTML页面结构甚至写正则表达式解析字段。
#我的Pytho…说到爬虫大家可能都知道requests、re、scrapy、selenium等等一些工具库。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没有必要去F12研究HTML页面结构甚至写正则表达式解析字段。
#我的Python教程
#微信公众号wdPythonpandas.read_html爬虫的步骤
读取网页使用pandas的read_html函数读取网页。read_html函数可以从网页中读取多个表格并将它们存储为DataFrame对象的列表。
解析表格使用pandas的read_html函数解析表格数据。
2.适用范围只能爬取特定含有 Table 结构的网页数据如下所示。
table class... id...theadtrth.../th/tr/theadtbodytrtd.../td/trtr.../trtr.../tr...tr.../trtr.../tr /tbody
/table3.pandas.read_html()函数是一个非常方便的函数可以用于从HTML文件中提取表格数据。常用的参数用法
iourl、html文本、本地文件等
header标题行
flavor解析器
skiprows跳过的行
attrs属性例如attrs {‘id’:‘table’}
parse_dates:解析日期
需要注意的是该函数返回的结果是DataFrame组成的list需要最后加上一个索引。当网页中含有多个表格时可以通过指定header参数来选择需要提取的表格。
4.示例源码1选取百度百科中的世界500强企业表格 import pandas as pd
url https://baike.baidu.com/item/%E4%B8%96%E7%95%8C500%E5%BC%BA?fromModulelemma_search-box
df pd.read_html(iourl, header0)[1]
print(df)示例源码2爬取2023年杭州空气质量数据
http://www.tianqihoubao.com/aqi/hangzhou-202301.html
import pandas as pdtime_lists pd.date_range(20230101, 20231101, freqMS).strftime(%Y%m) # 构造出日期序列 便于之后构造url
print(time_lists, len(time_lists))
for i in range(len(time_lists)):url fhttp://www.tianqihoubao.com/aqi/hangzhou-{time_lists[i]}.htmlprint(f正在下载第{i1}页数据{url}.center(80, -))tables pd.read_html(url, encodinggbk, header0)[0]print(tables)# 保存数据多页数据避免重复写入headerFalseif i 0:tables.to_csv(2023年杭州空气质量数据.csv, modea, indexFalse)else:tables.to_csv(2023年杭州空气质量数据.csv, modea, indexFalse, headerFalse)完毕感谢您的收看
----------★★历史博文集合★★---------- 我的零基础Python教程Python入门篇 进阶篇 视频教程 Py安装py项目 Python模块 Python爬虫 Json Xpath 正则表达式 Selenium Etree CssGui程序开发 Tkinter Pyqt5 列表元组字典数据可视化 matplotlib 词云图 Pyecharts 海龟画图 Pandas Bug处理 电脑小知识office自动化办公 编程工具
