利用pandas读取网页的表格数据并写入Excel

阿里云2000元红包!本站用户参与享受九折优惠!

最近接到一个任务,需要爬一个网站上的一些表格数据,然后导入到Excel表里。之前没有做过这方面的工作,第一想法就是解析表格内容,然后通过循环或者什么的把解析到的数据写入Excel文件里。当时的感觉是很麻烦。然而,在写爬虫的过程中,突然想到之前在用pandas的时候看到过read_html函数,结果果然搜到了。

读取html

读取这个函数使用起来很简单,只需要传入html格式的字符串就行了,如下所示:

import pandas ps pd
tables = pd.read_html(html)

这里的html是html格式的字符串,而得到的tables是一个列表,列表中的元素是从html中解析出的以DataFrame形式存在的数据对象,一个<table>标签就会得到一个DataFrame对象。我要解析的网页中<table>标签比较多,于是我先用BeautifulSoup进行网页的 解析,找到我想要的表格标签,然后在转换成html字符串,用这个函数读取。关于网页的解析,本文中不再赘述。

写入Excel文件

由于上一步得到的是DataFrame对象,因而写入Excel就比较简单了。比如我想把tables这个列表中的第一个表格数据写入一个Excel文件中,文件名定为“result.xlsx”,那么直接运行一下代码即可。

tables[0].to_excel("result.xlsx", index=False, header=False)

我这里将index和header指定为False是因为pandas写入Excel时,会默认写入每行的序号和每列的需要,将这两个参数设置成False就不会了。
如果要指定sheet_name,比如将sheet_name指定为“表一”,那么:

tables[0].to_excel("result.xlsx", sheet_name="表一", index=False, header=False)

但是,我们还有一个需求,那就是把同一年的数据都保存在一个Excel文件中,而一年的数据有很多表,我们要把表保存在不同的sheet里面。
举个例子,我们已经得到了2018年前两个月的数据,每个月有一个表,这两个月的数据读取成DataFrame对象分别是a和b,那么我们将这两个对象写入同一Excel文件的代码为:

excel_writer = pd.ExcelWriter("data_2018.xlsx")
a.to_excel(excel_writer, sheet_name="January", index=False, header=False)
b.to_excel(excel_writer, sheet_name="February", index=False, header=False)
excel_writer.save()

先写到这,想了解更多,可以参考这两个函数的文档:
https://pandas.pydata.org/pandas-docs/version/0.23.4/generated/pandas.read_html.html
https://pandas.pydata.org/pandas-docs/version/0.17.0/generated/pandas.DataFrame.to_excel.html

https://www.jianshu.com/p/c5ae1e388ab9

「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!
NumPy
0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论