Pandas爬虫，竟能如此简单！-轻识

众所周知，一般的爬虫套路无非是构造请求、解析网页、提取要素、存储数据等步骤。构造请求主要用到requests库，提取要素用的比较多的有xpath、bs4、css和re。一个完整的爬虫，代码量少则几十行，多则几百行，对于新手来说学习成本还是比较高的。

那么，有没有什么方法只用几行代码就能爬下所需数据呢？答案是pandas。J哥自从知道了这个神器，尝试了多个网页数据爬取，屡战屡胜，简直不能再舒服！这家伙也太适合初学爬虫的小伙伴玩耍了吧！

本文目录

定义

pandas中的pd.read_html()这个函数，功能非常强大，可以轻松实现抓取Table表格型数据。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将网页数据抓取下来。

原理

一.Table表格型数据网页结构

pandas适合抓取Table表格型数据，那么咱们首先得知道什么样的网页具有Table表格型数据结构(有html基础的大佬可自行跳过这一part)。

我们先来看个简单的例子。（快捷键F12可快速查看网页的HTML结构）

指南者留学网

从这个世界大学排行的网站可以看出，数据存储在一个table表格中，thread为表头，tbody为表格数据，tbody中的一个tr对应表中的一行，一个td对应一个表中元素。

我们再来看一个例子：

新浪财经网

也许你已经发现了规律，以Table结构展示的表格数据，大致的网页结构如下：

<thead>

<tr>

</tr>

</thead>

<tbody>

<tr>

</tr>

...

</tbody>

</table>

Table表格一般网页结构

只要网页具有以上结构，你就可以尝试用pandas抓取数据。

二.pandas请求表格数据原理

基本流程

针对网页结构类似的表格类型数据，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

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）

基本语法

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'}

主要参数

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)

没错，5行代码，几秒钟就搞定，我们来预览下爬取到的数据：

世界大学排行榜

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)

没错，8行代码搞定，还是那么简单。如果对翻页爬虫不理解，可查看本公众号历史原创文章「实战|手把手教你用Python爬虫(附详细源码)」，如果对DataFrame合并不理解，可查看本公众号历史原创文章「基础|Pandas常用知识点汇总(四)」。

我们来预览下爬取到的数据：

基金重仓股数据

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，详情可查看本公众号往期原创文章「基础|Pandas常用知识点汇总(三)」。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

需要注意的是，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。