抓取网页数据php(Python叶庭云微信公众号：谈及pandasread_html)

　　抓取网页数据php(Python叶庭云微信公众号：谈及pandasread_html)

　　过去的一切都是序幕。真正的顺其自然，不是尽力而为，而是什么都不做。

　　文章目录一、简介

　　一般的爬虫套路无非就是发送请求、获取响应、解析网页、提取数据、保存数据的步骤。 requests 库主要用于构造请求，xpath 和正则匹配多用于定位和提取数据。对于一个完整的爬虫来说，代码量可以从几十行到上百行不等。初学者的学习成本相对较高。

　　说说pandas的read.xxx系列的功能，常用的读取数据的方法有：pd.read_csv()和pd.read_excel()，pd.read_html()很少用到，但是它的作用它非常强大，尤其是当它用于捕获Table数据时，它是一个神器。无需掌握正则表达式或xpath等工具，只需几行代码即可快速抓取网页数据并保存在本地。

　　二、原理

　　pandas适合抓取表格数据，先了解一下有表格数据结构的网页，例如：

　　用Chrome浏览器查看网页的HTML结构，你会发现Table数据有一些共性。一般网页结构如下所示。

　　

...

...

...

...

...

...

...

...

...

　　网页有以上结构，我们可以尝试使用pandas的pd.read_html()方法直接获取数据。

　　pd.read_html()的一些主要参数

　　三、爬虫实例1

　　爬取2019年成都空气质量数据（12页数据），目标网址：

　　import pandas as pd

dates = pd.date_range('20190101', '20191201', freq='MS').strftime('%Y%m') # 构造出日期序列 便于之后构造url

for i in range(len(dates)):

df = pd.read_html(f'http://www.tianqihoubao.com/aqi/chengdu-{dates[i]}.html', encoding='gbk', header=0)[0]

if i == 0:

df.to_csv('2019年成都空气质量数据.csv', mode='a+', index=False) # 追加写入

i += 1

else:

df.to_csv('2019年成都空气质量数据.csv', mode='a+', index=False, header=False)

　　9行代码就搞定了，爬取速度也很快。

　　查看保存的数据

　　示例 2

　　抓取新浪财经基金重仓股数据（25页数据），网址：

　　import pandas as pd

df = pd.DataFrame()

for i in range(1, 26):

url = f'http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p={i}'

df = pd.concat([df, pd.read_html(url)[0].iloc[::,:-1]]) # 合并DataFrame 不要明细那一列

df.to_csv('新浪财经基金重仓股数据.csv', encoding='utf-8', index=False)

　　6行代码就搞定了，爬取速度也很快。

　　查看保存的数据：

　　以后爬一些小数据的时候，只要遇到这种Table数据，可以先试试pd.read_html()方法。

　　作者：叶婷云 微信公众号：培养Python CSDN：本文仅供交流学习，未经作者许可，禁止转载，更不得用于其他目的，违者必究。如果你觉得文章对你有帮助，让你有所收获，期待你的点赞。如有不足，也可以在评论区指正。