【Pandas】pandas.read_html详解与实战应用：从HTML文档读取数据

pandas.read_html是一个非常实用的函数，它能够从HTML文件或者网页字符串中解析出表格数据，并将其转换为pandas DataFrame对象。

函数原型：

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

参数说明：

• io: 网页的URL、文件路径或者网页内容字符串。
• match: 正则表达式，用来匹配特定的表格。
• flavor: 解析器的名称，例如'lxml'、'bs4'、'html5lib'。
• header: 表头的行数（从0开始），如果没有表头，设置为None。
• index_col: 用作索引的列编号或列名。
• skiprows: 需要忽略的行数（从0开始），可以是单个数字或数字列表。
• attrs: 解析表格时用到的属性。
• parse_dates: 是否解析日期。
• thousands: 千分位分隔符。
• encoding: 指定字符编码。
• converters: 列转换器。
• na_values: 缺失值标识。
• keep_default_na: 是否保留默认的缺失值标识。
• displayed_only: 是否仅解析显示的表格。

实例代码：

import pandas as pd
 
# 从网页URL读取数据
urls = 'https://example.com/table.html'
df_list = pd.read_html(urls)
 
# 从本地HTML文件读取数据
file_path = 'table.html'
df_list = pd.read_html(file_path)
 
# 读取特定的表格，通过match参数
df_list = pd.read_html(urls, match='特定表格的标题')
 
# 指定表头行数和索引列
df_list = pd.read_html(urls, header=0, index_col=0)
 
# 指定特定属性的表格
df_list = pd.read_html(urls, attrs={'id': 'table_id'})
 
# 输出第一个DataFrame
print(df_list[0])

注意：read_html返回的是一个包含DataFrame列表的列表，即使在大多数情况下只有一个表格。如果你知道你想要的表格，可以通过索引访问它。如果不确定，可以遍历这个列表来查看每个DataFrame。