秀！Pandas 也能爬虫！

大家好，我是陈程。

谈及Pandas的read.xxx系列的函数，大家的第一反应会想到比较常用的pd.read_csv()和pd.read_excel()，大多数人估计没用过pd.read_html()这个函数。虽然它低调，但功能非常强大，用于抓取Table表格型数据时，简直是个神器。

是的，这个神器可以用来爬虫！

01 定 义

pd.read_html()这个函数功能强大，无需掌握正则表达式或者xpath等工具，短短的几行代码就可以轻松实现抓取Table表格型网页数据。

02 原 理

一.Table表格型数据网页结构

为了了解Table网页结构，我们看个简单例子。

没错，简单！

另一个例子：

新浪财经网

规律：以Table结构展示的表格数据，网页结构长这样：

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

二.pandas请求表格数据原理

基本流程

其实，pd.read_html可以将网页上的表格数据都抓取下来，并以DataFrame的形式装在一个list中返回。

三.pd.read_html语法及参数

基本语法：

pandas.read_html(io, match='.+', flavor=None, 

header=None,index_col=None,skiprows=None, 

attrs=None, parse_dates=False, thousands=', ', 

encoding=None, decimal='.', converters=None, na_values=None, 

keep_default_na=True, displayed_only=True）

主要参数：

io ：接收网址、文件、字符串；

parse_dates：解析日期；

flavor：解析器；

header：标题行；

skiprows：跳过的行；

attrs：属性，比如 attrs = {'id': 'table'}

实 战

一.案例1：抓取世界大学排名（1页数据）

1import pandas as pd 
2import csv
3url1 = 'http://www.compassedu.hk/qs'
4df1 = pd.read_html(url1)[0]  #0表示网页中的第一个Table
5df1.to_csv('世界大学综合排名.csv',index=0)

5行代码，几秒钟就搞定，数据预览：

二.案例2：抓取新浪财经基金重仓股数据（6页数据）

1import pandas as pd
2import csv
3df2 = pd.DataFrame()
4for i in range(6):
5    url2 = 'http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p={page}'.format(page=i+1)
6    df2 = pd.concat([df2,pd.read_html(url2)[0]])
7    print('第{page}页抓取完成'.format(page = i + 1))
8df2.to_csv('./新浪财经数据.csv',encoding='utf-8',index=0)

8行代码搞定，还是那么简单。

我们来预览下爬取到的数据：

三.案例3：抓取证监会披露的IPO数据（217页数据）

 1import pandas as pd
 2from pandas import DataFrame
 3import csv
 4import time
 5start = time.time() #计时
 6df3 = DataFrame(data=None,columns=['公司名称','披露日期','上市地和板块','披露类型','查看PDF资料']) #添加列名
 7for i in range(1,218):  
 8    url3 ='http://eid.csrc.gov.cn/ipo/infoDisplay.action?pageNo=%s&temp=&temp1=&blockType=byTime'%str(i)
 9    df3_1 = pd.read_html(url3,encoding='utf-8')[2]  #必须加utf-8，否则乱码
10    df3_2 = df3_1.iloc[1:len(df3_1)-1,0:-1]  #过滤掉最后一行和最后一列（NaN列）
11    df3_2.columns=['公司名称','披露日期','上市地和板块','披露类型','查看PDF资料'] #新的df添加列名
12    df3 = pd.concat([df3,df3_2])  #数据合并
13    print('第{page}页抓取完成'.format(page=i))
14df3.to_csv('./上市公司IPO信息.csv', encoding='utf-8',index=0) #保存数据到csv文件
15end = time.time()
16print ('共抓取',len(df3),'家公司,' + '用时',round((end-start)/60,2),'分钟')

这里注意要对抓下来的Table数据进行过滤，主要用到iloc方法。另外，我还加了个程序计时，方便查看爬取速度。

2分钟爬下217页4334条数据，相当nice了。我们来预览下爬取到的数据：

上市公司IPO数据：

注意，并不是所有表格都可以用pd.read_html爬取，有的网站表面上看起来是表格，但在网页源代码中不是table格式，而是list列表格式。这种表格则不适用read_html爬取，得用其他的方法，比如selenium。