如何使用Python遍历HTML表和抓取表格数据-python如何从文本中提取数据

译者 | 李睿

审校 | 孙淑娟

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;amp;gt; tbody &amp;amp;amp;gt; tr &amp;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。

原文标题：How to Use Python to Loop Through HTML Tables and Scrape Tabular Data，作者：Zoltan Bettenbuk