秀！Pandas 也能爬虫！
談及 Pandas 的 read.xxx 系列的函數(shù)，大家的第一反應(yīng)會想到比較常用的 pd.read_csv() 和 pd.read_excel()，大多數(shù)人估計沒用過 pd.read_html() 這個函數(shù)。雖然它低調(diào)，但功能非常強(qiáng)大，用于抓取Table表格型數(shù)據(jù)時，簡直是個神器。
是的，這個神器可以用來爬蟲！
本文目錄
定 義
pd.read_html() 這個函數(shù)功能強(qiáng)大，無需掌握正則表達(dá)式或者 xpath 等工具，短短的幾行代碼就可以輕松實(shí)現(xiàn)抓取 Table 表格型網(wǎng)頁數(shù)據(jù)。
原 理
一.Table 表格型數(shù)據(jù)網(wǎng)頁結(jié)構(gòu)
為了了解 Table 網(wǎng)頁結(jié)構(gòu)，我們看個簡單例子。
指南者留學(xué)網(wǎng)
沒錯，簡單！
另一個例子：
新浪財經(jīng)網(wǎng)
規(guī)律：以 Table 結(jié)構(gòu)展示的表格數(shù)據(jù)，網(wǎng)頁結(jié)構(gòu)長這樣：
<table class="..." id="...">
? ? ?<thead>
? ? ?<tr>
? ? ?<th>...</th>
? ? ?</tr>
? ? ?</thead>
? ? ?<tbody>
? ? ? ? <tr>
? ? ? ? ? ? <td>...</td>
? ? ? ? </tr>
? ? ? ? <tr>...</tr>
? ? ? ? <tr>...</tr>
? ? ? ? ...
? ? ? ? <tr>...</tr>
? ? ? ? <tr>...</tr>? ? ? ??
? ? </tbody>
</table>
Table 表格一般網(wǎng)頁結(jié)構(gòu)
二.pandas 請求表格數(shù)據(jù)原理
基本流程
其實(shí)，pd.read_html?可以將網(wǎng)頁上的表格數(shù)據(jù)都抓取下來，并以 DataFrame 的形式裝在一個 list 中返回。
三.pd.read_html?語法及參數(shù)
pandas.read_html(io, match='.+',?flavor=None,?
header=None,index_col=None,skiprows=None,?
attrs=None, parse_dates=False, thousands=', ',?
encoding=None, decimal='.', converters=None, na_values=None,?
keep_default_na=True, displayed_only=True）
基本語法
io?：接收網(wǎng)址、文件、字符串；
parse_dates：解析日期；
flavor：解析器；
header：標(biāo)題行；
skiprows：跳過的行；
attrs：屬性，比如 attrs = {'id': 'table'}
主要參數(shù)
實(shí) 戰(zhàn)
一.案例1：抓取世界大學(xué)排名（1 頁數(shù)據(jù)）
5 行代碼，幾秒鐘就搞定，數(shù)據(jù)預(yù)覽：
世界大學(xué)排行榜
二.案例 2：抓取新浪財經(jīng)基金重倉股數(shù)據(jù)（6 頁數(shù)據(jù)）
1import?pandas?as?pd 2import?csv 3df2?=?pd.DataFrame() 4for?i?in?range(6): 5????url2?=?'http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p={page}'.format(page=i+1) 6????df2?=?pd.concat([df2,pd.read_html(url2)[0]]) 7????print('第{page}頁抓取完成'.format(page?=?i?+?1)) 8df2.to_csv('./新浪財經(jīng)數(shù)據(jù).csv',encoding='utf-8',index=0)8 行代碼搞定，還是那么簡單。
我們來預(yù)覽下爬取到的數(shù)據(jù)：
基金重倉股數(shù)據(jù)
三.案例3：抓取證監(jiān)會披露的?IPO?數(shù)據(jù)（217 頁數(shù)據(jù)）
1import?pandas?as?pd2from?pandas?import?DataFrame3import?csv4import?time5start?=?time.time()?#計時6df3?=?DataFrame(data=None,columns=['公司名稱','披露日期','上市地和板塊','披露類型','查看PDF資料'])?#添加列名7for?i?in?range(1,218):??8????url3?='http://eid.csrc.gov.cn/ipo/infoDisplay.action?pageNo=%s&temp=&temp1=&blockType=byTime'%str(i)9????df3_1?=?pd.read_html(url3,encoding='utf-8')[2]??#必須加utf-8，否則亂碼 10????df3_2?=?df3_1.iloc[1:len(df3_1)-1,0:-1]??#過濾掉最后一行和最后一列（NaN列） 11????df3_2.columns=['公司名稱','披露日期','上市地和板塊','披露類型','查看PDF資料']?#新的df添加列名 12????df3?=?pd.concat([df3,df3_2])??#數(shù)據(jù)合并 13????print('第{page}頁抓取完成'.format(page=i)) 14df3.to_csv('./上市公司IPO信息.csv',?encoding='utf-8',index=0)?#保存數(shù)據(jù)到csv文件 15end?=?time.time() 16print?('共抓取',len(df3),'家公司,'?+?'用時',round((end-start)/60,2),'分鐘')這里注意要對抓下來的 Table 數(shù)據(jù)進(jìn)行過濾，主要用到 iloc 方法。另外，我還加了個程序計時，方便查看爬取速度。
2 分鐘爬下 217 頁 4334 條數(shù)據(jù)，相當(dāng) nice 了。我們來預(yù)覽下爬取到的數(shù)據(jù)：
上市公司IPO數(shù)據(jù)
注意，并不是所有表格都可以用 pd.read_html 爬取，有的網(wǎng)站表面上看起來是表格，但在網(wǎng)頁源代碼中不是 table 格式，而是 list 列表格式。這種表格則不適用 read_html 爬取，得用其他的方法，比如 selenium。
對比Excel系列圖書累積銷量達(dá)15w冊，讓你輕松掌握數(shù)據(jù)分析技能，感興趣的同學(xué)可以直接在各大電商平臺搜索書名了解：
總結(jié)
以上是生活随笔為你收集整理的秀！Pandas 也能爬虫！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： r是左边还是右边(Project)
- 下一篇： 这个神奇的库，可以将数据平滑化并找到异常