如何使用Python遍历HTML表和抓取表格数据

发表于:2023-2-01 09:07

字体: | 上一篇 | 下一篇 | 我要投稿

 作者:李睿    来源:51CTO博客

#
Python
分享:
  表格数据是网络上最好的数据来源之一。它们可以存储大量有用的信息,同时又不丢失易于阅读的格式,使其成为数据相关项目的金矿。
  无论是抓取足球赛事数据还是提取股票市场数据,都可以使用Python从HTML表中快速访问、解析和提取数据,而这需要感谢Requests和Beautiful Soup。
  理解HTML表的结构
  从视觉上看,HTML表是一组以表格格式显示信息的行和列。本文主要介绍如何抓取表格数据:
  为了能够抓取该表中包含的数据,需要更深入地研究它的编码。
  一般来说,HTML表实际上是使用以下HTML标记构建的:
  ·<table>:标志着HTML表的开始  
  · <th> 或 <thead>:定义行作为HTML表的标题  
  · <tbody>:表示数据所在的部分
  · <tr>:表示表中的一行
  · <td>:在表中定义单元格  
  然而,正如人们在实际场景中看到的,并不是所有开发人员在构建表时都遵循这些约定,这使得一些项目比其他项目更难。不过,了解它们的工作原理对于找到正确的方法至关重要。
  在浏览器中输入表的URL,并检查页面,看看在底层发生了什么。  
  这就是这个页面非常适合练习用Python抓取表格数据的原因。有一个明确的<table>标签对打开和关闭表,所有相关数据都在<tbody>标签中。它只显示与前端所选条目数量匹配的10行。  
  关于这个表还有一些需要了解的事情,即想要抓取的条目共有57个,并且似乎有两种访问数据的解决方案。第一种是点击下拉菜单,选择“100”,显示所有条目:
  或者单击“下一步”按钮以浏览分页。
  那么哪一种方案会更好?这两种解决方案都会给脚本增加额外的复杂性,因此,先检查从哪里提取数据。  
  当然,因为这是一个HTML表,因此所有数据都应该在HTML文件本身上,而不需要AJAX注入。要验证这一点,需要右击>查看页面来源。接下来,复制一些单元格并在源代码中搜索它们。  
  对来自不同分页单元格的多个条目执行了相同的操作,尽管前端没有显示,但似乎所有目标数据都在其中。
  有了这些信息,就可以开始编写代码了。
  使用Python的Beautiful Soup删除HTML表
  因为要获取的所有员工数据都在HTML文件中,所以可以使用Requests库发送HTTP请求,并使用Beautiful Soup解析响应。  
  注:对于网页抓取的新手,本文作者在Python教程中为初学者创建了一个网络抓取教程。尽管新手没有经验也可以学习,但从基础开始总是一个好主意。  
  1.发送主请求  
  在这个项目中创建一个名为python-html-table的新目录,然后创建一个名为bs4-table-scraper的新文件夹,最后创建一个新的python_table_scraper.py文件。
  从终端pip3安装请求beautifulsoup4,并将它们导入到项目中,如下所示:
  import requests 
  from bs4 import BeautifulSoup
  要用requests发送HTTP请求,所需要做的就是设置一个URL并通过request.get()传递它,将返回的HTML存储在响应变量中并输出response.status_code。  
  注:如果完全不熟悉Python,可以使用命令python3python_table_scraper.py从终端运行代码。  
  url = 'https://datatables.net/examples/styling/stripe.html'  
  response = requests.get(url)  
  print(response.status_code)
  如果它有效,将会返回一个200状态码。任何其他情况都意味着IP正在被网站设置的反抓取系统拒绝。一个潜在的解决方案是在脚本中添加自定义标题,使脚本看起来更加人性化,但这可能还不够。另一个解决方案是使用Web抓取API处理所有这些复杂的问题。  
  2.使用Beautiful Soup构建解析器  
  在提取数据之前,需要将原始HTML转换为格式化或解析的数据。将这个解析后的HTML存储到一个soup对象中,如下所示:
  soup = BeautifulSoup(response.text, 'html.parser')
  从这里开始,可以使用HTML标记及其属性遍历解析树。  
  如果返回到页面上的表,已经看到该表用类stripe dataTable封装在<table>标记之间,可以使用它来选择该表。
  table = soup.find('table', class_ = 'stripe') 
  print(table)
  注:在测试之后,添加第二个类(dataTable)并没有返回元素。实际上,在return元素中,表的类只是stripe。还可以使用id='example'。
  以下是它返回的结果:
  Table Return
  既然已经获取了表,就可以遍历行并获取所需的数据。
  3.遍历HTML表  
  回想一下HTML表的结构,每一行都由<tr>元素表示,其中有包含数据的<td>元素,所有这些都包装在<tbody>标签对之间。
  为了提取数据,将创建两个for looks,一个用于抓取表的<tbody>部分(所有行所在的位置),另一个用于将所有行存储到可以使用的变量中:
  for employee_data in table.find_all('tbody'):  
  rows = employee_data.find_all('tr')  
  print(rows)
  在行中,将存储表正文部分中找到的所有<tr>元素。如果遵循这个逻辑,下一步就是将每一行存储到单个对象中,并循环遍历它们以查找所需的数据。
  首先,尝试使用.querySelectorAll()方法在浏览器控制台上选择第一个员工的名字。这个方法的一个真正有用的特性是,可以越来越深入地实现大于(>)符号的层次结构,以定义父元素(在左侧)和要获取的子元素(在右侧)。
  document.querySelectorAll('table.stripe &amp;amp;gt; tbody &amp;amp;gt; tr &amp;amp;gt; td')[0]
  如上所见,一旦抓取所有<td>元素,这些元素就会成为节点列表。因为不能依赖类来获取每个单元格,所以只需要知道它们在索引中的位置,而第一个name是0。
  从那里,可以像这样编写代码:  
  for row in rows:    
  name = row.find_all('td')[0].text    
  print(name)
  简单地说,逐个获取每一行,并找到其中的所有单元格,一旦有了列表,只获取索引中的第一个单元格(position 0),然后使用.text方法只获取元素的文本,忽略不需要的HTML数据。
  这是一个包含所有员工姓名的列表! 对于其余部分,只需要遵循同样的逻辑:
  position = row.find_all('td')[1].text 
  office = row.find_all('td')[2].text 
  age = row.find_all('td')[3].text 
  start_date = row.find_all('td')[4].text 
  salary = row.find_all('td')[5].text
  然而,将所有这些数据输出在控制台上并没有太大帮助。与其相反,可以将这些数据存储为一种、更有用的新格式。
  4.将表格数据存储到JSON文件中  
  虽然可以轻松地创建一个CSV文件并将数据发送到那里,但如果可以使用抓取的数据创建一些新内容,那么这将不是最容易管理的格式。
  尽管如此,以前做的一个项目解释了如何创建一个CSV文件来存储抓取的数据。  
  好消息是,Python有自己的JSON模块来处理JSON对象,所以不需要安装任何程序,只需要导入它。  
  import json
  但是,在继续并创建JSON文件之前,需要将所有这些抓取的数据转换为一个列表。为此,将在循环外部创建一个空数组。  
  employee_list = []
  然后向它追加数据,每个循环向数组追加一个新对象。
  employee_list.append({    'Name': name,    'Position': position,    'Office': office,    'Age': age,    'Start date': start_date,    'salary': salary })
  如果print(employee_list),其结果如下:
  Employee_List
  还是有点混乱,但已经有了一组准备转换为JSON的对象。  
  注:作为测试,输出employee_list的长度,它返回57,这是抓取的正确行数(行现在是数组中的对象)。  
  将列表导入到JSON只需要两行代码:  
  with open('json_data', 'w') as json_file:   
  json.dump(employee_list, json_file, indent=2)
  首先,打开一个新文件,传入想要的文件名称(json_data)和'w',因为想要写入数据。  
  接下来,使用.dump()函数从数组(employee_list)和indent=2中转储数据,这样每个对象都有自己的行,而不是所有内容都在一个不可读的行中。  
  5.运行脚本和完整代码  
  如果一直按照下面的方法做,那么代码库应该是这样的:
  #dependencies 
  import requests 
  from bs4 import BeautifulSoup 
  import json  
  url = 'http://api.scraperapi.com?api_key=51e43be283e4db2a5afbxxxxxxxxxxx&url=https://datatables.net/examples/styling/stripe.html'  
  #empty array 
  employee_list = []  
  #requesting and parsing the HTML file 
  response = requests.get(url) 
  soup = BeautifulSoup(response.text, 'html.parser')  
  #selecting the table 
  table = soup.find('table', class_ = 'stripe') 
  #storing all rows into one variable 
  for employee_data in table.find_all('tbody'):   
  rows = employee_data.find_all('tr')   
  #looping through the HTML table to scrape the data   
  for row in rows:       
  name = row.find_all('td')[0].text       
  position = row.find_all('td')[1].text       
  office = row.find_all('td')[2].text       
  age = row.find_all('td')[3].text       
  start_date = row.find_all('td')[4].text       
  salary = row.find_all('td')[5].text       
  #sending scraped data to the empty array       
  employee_list.append({           
  'Name': name,           
  'Position': position,           
  'Office': office,           
  'Age': age,           
  'Start date': start_date,           
  'salary': salary       
  }) 
  #importing the array to a JSON file 
  with open('employee_data', 'w') as json_file:   
  json.dump(employee_list, json_file, indent=2)
  注:在这里为场景添加了一些注释。
  以下是JSON文件中的前三个对象:
  以JSON格式存储抓取数据允将信息用于新的应用程序
  使用Pandas抓取HTML表  
  在离开页面之前,希望探索第二种抓取HTML表的方法。只需几行代码,就可以从HTML文档中抓取所有表格数据,并使用Pandas将其存储到数据框架中。  
  在项目的目录中创建一个新文件夹(将其命名为panda-html-table-scraper),并创建一个新文件名pandas_table_scraper.py。  
  打开一个新的终端,导航到刚刚创建的文件夹(cdpanda-html-table-scraper),并从那里安装pandas:
  pip install pandas
  在文件的顶部导入它。
  import pandas as pd
  Pandas有一个名为read_html()的函数,它主要抓取目标URL,并返回所有HTML表作为DataFrame对象的列表。  
  要实现这一点,HTML表至少需要结构化,因为该函数将查找<table>之类的元素来标识文件中的表。
  为了使用这个函数,需要创建一个新变量,并将之前使用的URL传递给它:  
  employee_datapd.read_html('http://api.scraperapi.com?api_key=51e43be283e4db2a5afbxxxxxxxxxxxx&url=https://datatables.net/examples/styling/stripe.html')
  当输出它时,它将返回页面内的HTML表列表。  
  HTMLTables
  如果比较DataFrame中的前三行,它们与采用BeautifulSoup抓取的结果完全匹配。  
  为了处理JSON,Pandas可以有一个内置的.to_json()函数。它将把DataFrame对象列表转换为JSON字符串。  
  而所需要做的就是调用DataFrame上的方法,并传入路径、格式(split,data,records,index等),并添加缩进以使其更具可读性:  
  employee_data[0].to_json('./employee_list.json', orient='index', indent=2)
  如果现在运行代码,其结果文件如下:
  Resulting File
  注意,需要从索引([0])中选择表,因为.read_html()返回一个列表,而不是单个对象。  
  以下是完整的代码以供参考:
  import pandas as pd  
  employee_data = pd.read_html('http://api.scraperapi.com?api_key=51e43be283e4db2a5afbxxxxxxxxxxxx&url=https://datatables.net/examples/styling/stripe.html')  
  employee_data[0].to_json('./employee_list.json', orient='index', indent=2)
  有了这些新知识,就可以开始抓取网络上几乎所有的HTML表了。只要记住,如果理解了网站的结构和背后的逻辑,就没有什么是不能抓取的。  
  也就是说,只要数据在HTML文件中,这些方法就有效。如果遇到动态生成的表,则需要找到一种新的方法。  
  本文内容不用于商业目的,如涉及知识产权问题,请权利人联系51Testing小编(021-64471599-8017),我们将立即处理
《2023软件测试行业现状调查报告》独家发布~

关注51Testing

联系我们

快捷面板 站点地图 联系我们 广告服务 关于我们 站长统计 发展历程

法律顾问:上海兰迪律师事务所 项棋律师
版权所有 上海博为峰软件技术股份有限公司 Copyright©51testing.com 2003-2024
投诉及意见反馈:webmaster@51testing.com; 业务联系:service@51testing.com 021-64471599-8017

沪ICP备05003035号

沪公网安备 31010102002173号