用 Pandas 读写网页中的 HTML 表格数据

vlambda
2021-06-10

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 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 ：

<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 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：

<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 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”：

<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 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：

<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>