Python爬虫教程27：秀啊！用Pandas 也能爬虫？？

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：wdPython

1. pandas.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="...">
     <thead>
     <tr>
     <th>...</th>
     </tr>
     </thead>
     <tbody>
        <tr>
            <td>...</td>
        </tr>
        <tr>...</tr>
        <tr>...</tr>
        ...
        <tr>...</tr>
        <tr>...</tr>        
    </tbody>
</table>

3.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：

io：url、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?fromModule=lemma_search-box'
df = pd.read_html(io=url, header=0)[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 pd

time_lists = pd.date_range('20230101', '20231101', freq='MS').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 = f'http://www.tianqihoubao.com/aqi/hangzhou-{time_lists[i]}.html'
    print(f'正在下载第{i+1}页数据，{url}'.center(80, '-'))
    tables = pd.read_html(url, encoding='gbk', header=0)[0]
    print(tables)
    # 保存数据，多页数据，避免重复写入header=False
    if i == 0:
        tables.to_csv('2023年杭州空气质量数据.csv', mode='a+', index=False)
    else:
        tables.to_csv('2023年杭州空气质量数据.csv', mode='a+', index=False, header=False)

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