pandas100个骚操作三：使用pandas快速爬取数据

大家好，我是你们的东哥。

本篇是pandas100个骚操作的第3篇：利用pandas快速爬取数据

查看全部骚操作可以点击专栏：pandas 100个骚操作

---

提起爬虫，大家可能都知道requests、beautifulsoup、scrapy、selenium等等一些工具库。但其实对于一些日常的网页Table表格数据抓取来讲，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。

本次东哥介绍一个超级简单的方法，用pandas也可以玩爬虫。

pandas自带一个方法是read_html，利用这个方法可以直接爬虫网页的Table表格型数据，无需敲更多的爬虫代码，简单！粗暴！

查看HTML结构，如果发现是下面这个table格式的，那直接可以上手开干。

<table class="..." id="...">
     <thead>
     <tr>
     <th>...</th>
     </tr>
     </thead>
     <tbody>
        <tr>
            <td>...</td>
        </tr>
        <tr>...</tr>
        <tr>...</tr>
        ...
        <tr>...</tr>
        <tr>...</tr>
    </tbody>
</table>

下面我们来看下如何操作。

一、使用方法

举一个例子，拿wiki百科上的各国家收入的页面抓取演示一下。

这个页面中有非常多的表格，符合我们的要求，直接使用read_html，它可以自动将网页的所有表格数据全部抓取下来。代码如下：

import pandas as pd
url = 'https://en.wikipedia.org/wiki/Gross_national_income'
tables = pd.read_html(url)

这里返回的tables是一个DataFrames的列表，每个DataFrame就是网页中从上到下顺序的数据表格。因此，可以用列表的切片tables[x]来提取网页指定的表格数据。

比如，我们对第4个表格感兴趣，那么直接：

talbes[3]

当然，上面表格看起来有点别扭，我们可以简单几个操作调整一下表结构。

df = tables[3].droplevel(0, axis=1)\
.rename(columns={
    
    'No.':'No', 'GDP[10]':'GDP'})\
.set_index('No')

这样看起来就好多了。

最后，read_html中也配有很多参数可供调整，比如匹配方式、标题所在行、网页属性识别表格等等，具体说明可以参看pandas的官方文档学习。

官网链接：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_html.html

以上所有代码已上传至我的GitHub：

项目链接：https://github.com/xiaoyusmd/PythonDataScience

原创不易，GitHub求个Star续命

本系列同步于我的原创公众号：Python数据科学，欢迎关注。