如何使用Python和pandas高效爬取网页中的表格数据？

本文共计455个文字，预计阅读时间需要2分钟。

以下是对原文的简化

以网页表格为例（如：https://www.kuaidaili.com/free/），网站数据存于table标签。使用requests和bs4解析，需结合正则、xpath、lxml等。无几行代码搞定。今天介绍的黑科技是pandas自带爬虫功能。

以网页表格为例：www.kuaidaili.com/free/

该网站数据存在table标签，直接用requests，需要结合bs4解析正则/xpath/lxml等，没有几行代码是搞不定的。

今天介绍的黑科技是pandas自带爬虫功能，pd.read_html()，只需传人url，一行代码搞定。

原网页结构如下：

python代码如下：

import pandas as pd url='www.kuaidaili.com/free/' df=pd.read_html(url)[0] # [0]：表示第一个table，多个table需要指定，如果不指定默认第一个 # 如果没有，输入dataframe格式组成的list df

输出dataframe格式数据

再次保存到本地，csv格式，注意中文编码：utf_8_sig

print(type(df))df.to_csv('free ip.csv',mode='a', encoding='utf_8_sig', header=1, index=0)print('done!')

查看csv文件

先来了解一下read_html函数的api:

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

常用的参数：

• io:可以是url、html文本、本地文件等；
• flavor：解析器；
• header：标题行；
• skiprows：跳过的行；
• attrs：属性，比如 attrs = {'id': 'table'}；
• parse_dates：解析日期

注意：返回的结果是**DataFrame**组成的**list**。

若要dataframe，直接取list

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持易盾网络。