用 Pandas 读写网页中的 HTML 表格数据

介绍

超文本标记语言（HTML）是用于构建网页的标准标记语言。我们可以使用HTML的

标签来呈现表格数据。Pandas 数据分析库提供了read_html（）和to_html（）之类的功能，因此我们可以将数据导入和导出到DataFrames。

在本文中，我们将学习如何从HTML文件读取表格数据并将其加载到Pandas DataFrame中。我们还将学习如何将数据从Pandas DataFrame写入HTML文件。

读取HTML

我们可以使用read_html（）函数读取HTML文件的表。此函数将HTML文件的表作为Pandas DataFrames读取。它可以从文件或URL中读取。

从文件中读取HTML数据

在本节中，我们将使用一组输入数据。一个包含编程语言及其创建年份的表。另一个表中有土地面积及其成本（美元）。

将以下HTML内容保存在名为table_data.html的文件中：

                                                                                                                                                                                          

Programming Language	Creator	Year
C	Dennis Ritchie	1972
Python	Guido Van Rossum	1989
Ruby	Yukihiro Matsumoto	1995

                                                                                                                         

Area (sq.ft)	Price (USD)
12000	500
32000	700

Pandas 需要另一个名为lxml的库的帮助来解析HTML和XML文件。为了使read_html（）函数正常工作，您需要安装lxml：

$ pip install lxml

一旦安装了lmxl，我们就可以使用read_html（）函数。它返回一个DataFrames列表，其中每个DataFrame是给定HTML文件的整个表元素。我们通过索引列表将每个表作为DataFrame进行读取。

下面的代码演示了read_html（）函数从HTML文件读取表的使用：

import pandas as pd

tables = pd.read_html('table_data.html')
print('Tables found:', len(tables))
df1 = tables[0]  # Save first table in variable df1
df2 = tables[1]  # Saving next table in variable df2

print('First Table')
print(df1)
print('Another Table')
print(df2)

注意：虽然您需要安装lxml，但无需将其导入程序中即可使Pandas正常工作。

在Python解释器上运行以上代码将产生以下输出：

Tables found: 2
First Table
  Programming Language             Creator  Year
0                    C      Dennis Ritchie  1972
1               Python    Guido Van Rossum  1989
2                 Ruby  Yukihiro Matsumoto  1995
Another Table
   Area (sq.ft)  Price (USD)
0         12000          500
1         32000          700

从URL读取HTML数据

正如我们从HTML文件中读取表元素一样，我们也可以使用read_html（）将HTML网页中的表元素读取到DataFrame中。我们将提供以下URL：

read_html('https://en.wikipedia.org/wiki/Python_(programming_language)')

它将返回一个DataFrames列表，其中每个DataFrame代表给定URL中的一个表元素。

以下是使用Pandas从网站URL读取表格元素的示例代码：

import pandas as pd

tables = pd.read_html('https://en.wikipedia.org/wiki/Python_(programming_language)')
print('Tables found:', len(tables))
df1 = tables[0]  # Save first table in variable df1
print('First Table')
print(df1.head())  # To print first 5 rows

如果我们成功运行了上面的代码，我们可以看到以下输出：

Tables found: 10
First Table
                0                                                  1
0             NaN                                                NaN
1        Paradigm  Multi-paradigm: functional, imperative, object...
2     Designed by                                   Guido van Rossum
3       Developer                         Python Software Foundation
4  First appeared                              1991; 29 years ago[1]

从需要身份验证的URL读取HTML数据

现在我们知道可以从网站上读取表格元素。但是，当站点需要身份验证时，代码会遇到以下异常：

raise HTTPError(req.full_url, code, msg, hdrs, fp)
urllib.error.HTTPError: HTTP Error 401: UNAUTHORIZED

要从此类URL读取数据，我们将使用请求模块。您可以使用pip安装它：

$ pip install requests

现在，如果站点需要身份验证，我们将使用请求库中的get（）方法向网站URL发出请求，同时提供可选的auth参数。

此方法从网页返回响应对象。我们可以检查状态码（以确保内容肯定存在）并从响应对象获取文本，然后将表转换为DataFrame。

让我们看一个使用请求获取需要身份验证的数据的示例。为此，我们使用https://httpbin.org：

import requests

r = requests.get('https://httpbin.org/basic-auth/john/johnspassword', auth=('john', 'johnspassword'))

print(r.status_code)
print(r.text)

执行上面的代码后，我们可以看到以下输出：

200
{
  "authenticated": true, 
  "user": "john"
}

这表明我们成功访问了经过身份验证的URL的网页内容。但是，此网站仅包含JSON数据，我们需要HTML表格元素作为DataFrames。

让我们继续使用以前的URL，并使用请求将HTML表读取为DataFrames。与以前的站点是公共站点时相比，访问经过身份验证的内容的步骤是相同的。

得到响应后，可以将r.text传递给read_html（）方法。和往常一样，我们将获得它包含为DataFrames的表的列表：

import pandas as pd
import requests

# Can use auth parameter for authenticated URLs
r = requests.get('https://en.wikipedia.org/wiki/Python_(programming_language)',
                 auth=('john', 'johnspassword'))
tables = pd.read_html(r.text)
print('Tables found:', len(tables))
df1 = tables[0]
print('First Table')
print(df1.head())

运行此代码将生成以下输出：

Tables found: 10
First Table
                0                                                  1
0             NaN                                                NaN
1        Paradigm  Multi-paradigm: functional, imperative, object...
2     Designed by                                   Guido van Rossum
3       Developer                         Python Software Foundation
4  First appeared                              1991; 29 years ago[1]

用Python的Pandas编写HTML表

我们已经成功地从HTML表中读取了数据。让我们在HTML文件中编写Pandas DataFrame。这可以通过使用to_html（）方法来实现。

to_html（）采用要将数据导出到的文件的路径。如果不提供绝对路径，则会保存相对于当前目录的文件。

您可以将DataFrame导出到HTML表，如下所示：

import pandas as pd

df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
df.to_html('write_html.html')

此代码将在当前目录中生成以下文件write_html.html：

  
    
      
      A
      B
    
  
  
    
      0
      1
      3
    
    
      1
      2
      4
    
  

请注意，导出不是整个HTML文档，而是HTML表本身。

用Python的Pandas编写样式化的HTML表

如我们所见，默认情况下，表格边框为1，对齐方式正确，并且在标记中也具有DataFrame索引。我们可以通过提供一些可选参数来更改此默认结构。

隐藏索引

如果我们不想在表输出中包括索引，可以在to_html（）中设置index = False：

import pandas as pd

df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
df.to_html('write_html.html', index=False)

此代码产生具有以下内容的write_html.html文件：

  
    
      A
      B
    
  
  
    
      1
      3
    
    
      2
      4
    
  

更改表格边框

表格的默认边框是1像素。要更改此默认设置，我们可以将border参数设置为以像素为单位的值。

以下代码将边框更改为3个像素值：

import pandas as pd

df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
df.to_html('write_html.html', border=3)

现在，生成的文件将表的border属性设置为“ 3”：

  
    
      
      A
      B
    
  
  
    
      0
      1
      3
    
    
      1
      2
      4
    
  

对齐文字

默认情况下，表格的标题文本是右对齐的。我们使用justify参数更改此对齐方式。例如，执行justify =“ center”将添加style =“ text-align：center;” 在标记的标记中。

让我们尝试将标题文本对齐到中心并查看结果：

import pandas as pd

df = pd.DataFrame({'A': [1, 'AAA'], 'B': ['BBB', 4]})
df.to_html('write_html.html', justify='center')

上面的代码创建的表如下所示：

  
    
      
      A
      B
    
  
  
    
      0
      1
      BBB
    
    
      1
      AAA
      4
    
  

现在，表格标题的文本与中心对齐。

结论

在本教程中，我们学习了如何使用Pandas DataFrames导入和导出HTML表数据。我们从文件以及从网页URL加载HTML表数据。对于经过身份验证的URL，我们使用了请求模块来对站点数据进行身份验证和检索，然后将响应文本传递到read_html（）函数中。

我们还使用to_html（）函数将 Pandas DataFrame 编写为HTML文件。然后，我们通过传递一些可选参数（例如index，border和justify）来对生成的表进行样式设置。这使得以呈现方式写入DataFrame的数据变得容易。

更多阅读

5分钟掌握在 Cython 中使用 C++

5 分钟掌握 Python 中常见的配置文件

5 分钟掌握 Python 中的 Hook 钩子函数

特别推荐

点击下方阅读原文加入社区会员