网页表格抓取(2017年成都会计从业资格考试：谈及pandasread_html)

　　网页表格抓取(2017年成都会计从业资格考试：谈及pandasread_html)

　　过去的一切都是序幕。

　　真正的放手不是试图强迫它，而不仅仅是不作为。

　　文章内容

　　一、简介

　　一般爬虫例程无非就是发送请求、获取响应、解析网页、提取数据、保存数据等步骤。 requests库主要用于构造请求，xpath和正则匹配多用于定位和提取数据。对于一个完整的爬虫来说，代码量可以从几十行到几百行不等。对于新手来说，学习成本相对较高。

　　说到pandas read.xxx系列的功能，常用的读取数据的方法有：pd.read_csv()和pd.read_excel()，而pd.read_html()方法很少使用，但是它的功能很强大，尤其是用来抓取Table数据的时候，简直是神器。无需掌握正则表达式或xpath等工具，只需几行代码即可快速抓取网页数据并保存到本地。

　　二、原理

　　Pandas 适用于爬取 Table 数据。首先，让我们了解一下具有 Table 数据结构的网页。示例如下：

　　

　　

　　使用Chrome浏览器查看网页的HTML结构，你会发现Table数据有一些共同点。一般网页结构如下所示。

　　

...

...

...

...

...

...

...

...

...

　　网页结构如上，我们可以尝试使用pandas的pd.read_html()方法直接获取数据。

　　

　　pd.read_html()的一些主要参数

　　三、爬行实战示例1

　　爬取成都2019年空气质量数据（12页数据），目标网址：

　　import pandas as pd

dates = pd.date_range('20190101', '20191201', freq='MS').strftime('%Y%m') # 构造出日期序列 便于之后构造url

for i in range(len(dates)):

df = pd.read_html(f'http://www.tianqihoubao.com/aqi/chengdu-{dates[i]}.html', encoding='gbk', header=0)[0]

if i == 0:

df.to_csv('2019年成都空气质量数据.csv', mode='a+', index=False) # 追加写入

i += 1

else:

df.to_csv('2019年成都空气质量数据.csv', mode='a+', index=False, header=False)

　　九行代码就搞定了，爬虫速度很快。

　　查看保存的数据

　　

　　示例 2

　　抓取新浪金融基金重磅股数据（25页数据），网址：

　　import pandas as pd

df = pd.DataFrame()

for i in range(1, 26):

url = f'http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p={i}'

df = pd.concat([df, pd.read_html(url)[0].iloc[::,:-1]]) # 合并DataFrame 不要明细那一列

df.to_csv('新浪财经基金重仓股数据.csv', encoding='utf-8', index=False)

　　六行代码就搞定了，爬取速度非常快。

　　查看保存的数据：

　　

　　后面爬取一些小数据的时候，只要遇到这种表数据，可以先试试pd.read_html()大法。