pandas.read_html#
- 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)[源代码]#
将HTML表读取到
list的DataFrame对象。- 参数
- io字符串、路径对象或类似文件的对象
字符串、路径对象(实现
os.PathLike[str])，或实现字符串的类似文件的对象read()功能。该字符串可以表示URL，也可以表示HTML本身。注意，lxml只接受http、ftp和文件URL协议。如果您的URL以'https'您可以尝试删除's'。- match字符串或已编译的正则表达式，可选
将返回包含与此正则表达式或字符串匹配的文本的表格集合。除非HTML非常简单，否则您可能需要在这里传递一个非空字符串。默认为‘.+’(匹配任何非空字符串)。缺省值将返回页面上包含的所有表。该值被转换为正则表达式，以便在Beautiful Soup和lxml之间有一致的行为。
- flavor字符串，可选
要使用的分析引擎。‘bs4’和‘html5lib’是彼此的同义词，它们都是为了向后兼容。的默认设置
None试图利用lxml来进行解析，如果失败了，它会求助于bs4+html5lib。- header整型或列表型，可选
的行(或行列表)
MultiIndex)以用于使列成为标题。- index_col整型或列表型，可选
用于创建索引的列(或列列表)。
- skiprowsInt、List-like或Slice，可选
分析列整数后要跳过的行数。从0开始。如果给定了一个整数序列或切片，将跳过由该序列索引的行。请注意，单个元素序列表示“跳过第n行”，而整数表示“跳过n行”。
- attrsDICT，可选
这是一个属性字典，您可以传递该字典以使用它来标识HTML中的表。在传递给lxml或Beautiful Soup之前，不会检查它们的有效性。但是，这些属性必须是有效的HTML表格属性才能正常工作。例如：：
attrs = {'id': 'table'}
是有效的属性字典，因为‘id’的HTML标记属性是的有效的 any 每种情况下的HTML标签 this document 。：：
attrs = {'asdf': 'table'}
是 not 有效的属性字典，因为即使‘asdf’是有效的XML属性，它也不是有效的HTML属性。可以找到有效的HTML 4.01表属性 here 。可以找到HTML5规范的工作草案 here 。它包含有关现代Web的表属性的最新信息。
- parse_dates布尔值，可选
看见
read_csv()了解更多详细信息。- thousands字符串，可选
用于分析数千的分隔符。默认为
','。- encoding字符串，可选
用于对网页进行解码的编码。默认为
None.``无``保留以前的编码行为，这取决于底层解析库(例如，解析库将尝试使用文档提供的编码)。- decimal字符串，默认为‘.’
要识别为小数点的字符(例如，使用‘，’表示欧洲数据)。
- convertersDict，默认无
用于转换某些列中的值的函数的字典。键可以是整数或列标签，值是接受一个输入参数、单元格(不是列)内容并返回转换后的内容的函数。
- na_values可迭代，默认为无
自定义NA值。
- keep_default_na布尔值，默认为True
如果指定了NA_VALUES并且KEEP_DEFAULT_NA为FALSE，则会覆盖默认的NaN值，否则会将它们附加到后面。
- displayed_only布尔值，默认为True
是否应解析带有“Display：None”的元素。
- 退货
- DFS
DataFrame的列表。
参见
read_csv将逗号分隔值(CSV)文件读入DataFrame。
注意事项
在使用此函数之前，您应该阅读 gotchas about the HTML parsing libraries 。
希望在调用此函数后执行一些清理。例如，如果在传递 header=0 争论。我们尝试尽可能少地假设表的结构，并将表中包含的HTML的特性推送给用户。
此函数用于搜索
<table>元素，并且仅用于<tr>和<th>行和<td>每个元素中的元素<tr>或<th>元素。<td>代表“表数据”。此函数尝试正确处理colspan和rowspan属性。如果该函数具有<thead>参数，则它用于构造标头，否则该函数将尝试在正文中查找标头(通过将行仅<th>元素添加到标题中)。类似于
read_csv()这个 header 应用了参数 之后 skiprows 是适用的。This function will always return a list of
DataFrameor it will fail, e.g., it will not return an empty list.示例
请参阅 read_html documentation in the IO section of the docs 获取一些在HTML表中读取的示例。