以網(wǎng)頁表格為例：https://www.kuaidaili.com/free/

該網(wǎng)站數(shù)據(jù)存在table標(biāo)簽，直接用requests，需要結(jié)合bs4解析正則/xpath/lxml等，沒有幾行代碼是搞不定的。

今天介紹的黑科技是pandas自帶爬蟲功能，pd.read_html()，只需傳人url，一行代碼搞定。

原網(wǎng)頁結(jié)構(gòu)如下：

python代碼如下：

import pandas as pdurl=’http://www.kuaidaili.com/free/’df=pd.read_html(url)[0] # [0]：表示第一個(gè)table，多個(gè)table需要指定，如果不指定默認(rèn)第一個(gè)# 如果沒有【0】，輸入dataframe格式組成的listdf

輸出dataframe格式數(shù)據(jù)

再次保存到本地，csv格式，注意中文編碼：utf_8_sig

print(type(df))df.to_csv(’free ip.csv’,mode=’a’, encoding=’utf_8_sig’, header=1, index=0)print(’done!’)

查看csv文件

先來了解一下read_html函數(shù)的api:

pandas.read_html(io, match=’.+’, flavor=None, header=None, index_col=None, skiprows=None, attrs=None, parse_dates=False, tupleize_cols=None, thousands=’, ’, encoding=None, decimal=’.’, converters=None, na_values=None, keep_default_na=True, displayed_only=True)

常用的參數(shù)：

io:可以是url、html文本、本地文件等； flavor：解析器； header：標(biāo)題行； skiprows：跳過的行； attrs：屬性，比如 attrs = {’id’: ’table’}； parse_dates：解析日期

注意：返回的結(jié)果是**DataFrame**組成的**list**。

若要dataframe，直接取list【0】

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持好吧啦網(wǎng)。