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<table>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：

<!DOCTYPE html>
<html lang="en"><head><meta charset="UTF-8"><title>Table Data</title>
</head><body><table><thead><tr><th>Programming Language</th><th>Creator</th><th>Year</th></tr></thead><tbody><tr><td>C</td><td>Dennis Ritchie</td><td>1972</td></tr><tr><td>Python</td><td>Guido Van Rossum</td><td>1989</td></tr><tr><td>Ruby</td><td>Yukihiro Matsumoto</td><td>1995</td></tr></tbody></table><table><thead><tr><th>Area (sq.ft)</th><th>Price (USD)</th></tr></thead><tbody><tr><td>12000</td><td>500</td></tr><tr><td>32000</td><td>700</td></tr></tbody></table>
</body></html>

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 pdtables = 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 df2print('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 TableProgramming Language             Creator  Year
0                    C      Dennis Ritchie  1972
1               Python    Guido Van Rossum  1989
2                 Ruby  Yukihiro Matsumoto  1995
Another TableArea (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 pdtables = 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 Table0                                                  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 requestsr = 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 Table0                                                  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 pddf = 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：

<table border="1" class="dataframe"><thead><tr style="text-align: right;"><th></th><th>A</th><th>B</th></tr></thead><tbody><tr><th>0</th><td>1</td><td>3</td></tr><tr><th>1</th><td>2</td><td>4</td></tr></tbody>
</table>

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<th>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 pddf = 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：

<table border="1" class="dataframe"><thead><tr style="text-align: right;"><th>A</th><th>B</th></tr></thead><tbody><tr><td>1</td><td>3</td></tr><tr><td>2</td><td>4</td></tr></tbody>
</table>

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 pddf = 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”：

<table border="3" class="dataframe"><thead><tr style="text-align: right;"><th></th><th>A</th><th>B</th></tr></thead><tbody><tr><th>0</th><td>1</td><td>3</td></tr><tr><th>1</th><td>2</td><td>4</td></tr></tbody>
</table>

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<thead>标记的<tr>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 pddf = 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：

<table border="1" class="dataframe"><thead><tr style="text-align: center;"><th></th><th>A</th><th>B</th></tr></thead><tbody><tr><th>0</th><td>1</td><td>BBB</td></tr><tr><th>1</th><td>AAA</td><td>4</td></tr></tbody>
</table>

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

用 Pandas 读写网页中的 HTML 表格数据相关推荐

html 表格是网页中的数据,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 Programming LanguageCreatorYear CDennis Ritchie1972PythonG ...
php中表格的美化,美化网页中的Table表格样式 - 文章教程
Table表格曾经是网页布局的霸主,可惜现在用的少了,主要还是用在表现表格结构化数据的布局,虽说用得少,但是表格用起来还是很方便的,至少有时候比DIV+CSS更方便,关于如何美化网页中的Table表格 ...
JS实现网页中绘制10x10表格，并在其中区分1-100素数合数。
JS实现网页中绘制10x10表格,并在其中区分1-100素数合数. 一:需求在网页中绘制10x10的表格,并在其中区分1-100素数和合数二:解决思路创建一个判断素数合素的的函数: 创建一个函数 ...
python抓取表格数据_Python如何实现从PDF文件中爬取表格数据（代码示例）
本篇文章给大家带来的内容是关于Python如何实现从PDF文件中爬取表格数据(代码示例),有一定的参考价值,有需要的朋友可以参考一下,希望对你有所帮助. 本文将展示一个稍微不一样点的爬虫. 以往我们的 ...
Python抓取网页中的动态序列化数据
Python抓取网页中的动态序列化数据动态序列化数据经常应用于前后端分离的页面.或者通过VUE.JS等HTML页面环境,常规的爬虫抓取方法并不能满足数据采集的要求,因此需要其他的方式进行数据的采集. ...
pandas使用read_excel函数读取excel表格数据为dataframe、设置sheet_name参数为表单索引位置列表则读取多个表单的数据并返回dataframe字典
pandas使用read_excel函数读取excel表格数据为dataframe.使用sheet_name参数指定读取excel表格中指定的sheet表单.设置sheet_name参数为表单索引位置 ...
利用正则表达式提取网页中Table内的数据
利用正则表达式提取网页中Table内的数据 using System; using System.Collections.Generic; using System.Linq; using Syste ...
Matlab中读取excel表格数据
一:Matlab中读取excel表格数据步骤讲解: 第二步: 第三步: 第四步: 第五步: 第六步第七步: 输入之后按回车键,就会出现相应的波形: 效果图:
java 操作 word 表格和样式,java读取word表格中的表格 java如何读取word中的excel表格数据...
Java 利用poi 可以直接读取word中的表格保持样式生1.读取word 2003及word 2007需要的jar包读取 2003 版本(.doc)的word文件相对来说比较简单,只需要 poi ...

用 Pandas 读写网页中的 HTML 表格数据

用 Pandas 读写网页中的 HTML 表格数据相关推荐

最新文章

热门文章