本教程旨在教授如何使用 python 的 pandas 库高效地从网页中抓取 html 表格数据。通过 `pd.read_html()` 函数，您可以仅用几行代码就能将复杂的网页表格解析为结构化的 dataframe 对象，并轻松保存为 csv 文件，极大简化了传统网页抓取中解析表格的繁琐过程。
在数据分析和自动化任务中，从网页上提取结构化数据是一项常见需求。特别是当数据以 HTML 表格的形式呈现时，手动复制粘贴效率低下且易出错。传统的网页抓取方法，如使用 BeautifulSoup 和 requests 库，虽然功能强大，但在处理表格数据时，往往需要编写较多的代码来定位 <table>、<tr> 和 <td> 标签，然后逐个提取单元格内容，最后手动构建数据结构。这种方法对于简单的表格尚可接受，但对于包含多个表格或复杂结构的页面，维护成本较高。
使用 Pandas read_html 简化表格抓取
Python 的 Pandas 库提供了一个极其便捷的功能 read_html()，它能够直接识别网页中的 HTML 表格，并将其解析成 DataFrame 对象。这极大地简化了从网页抓取表格数据的过程，通常只需几行代码即可完成。
pd.read_html() 函数的工作原理是：它会扫描给定的 URL 或 HTML 字符串，查找所有的 <table> 标签，并尝试将它们解析为 DataFrame。由于一个网页可能包含多个表格，该函数会返回一个 DataFrame 对象的列表。
实践教程：抓取 NCAA 女子足球 RPI 排名
我们将以 NCAA 女子足球 RPI 排名页面为例（https://www.ncaa.com/rankings/soccer-women/d1/ncaa-womens-soccer-rpi），演示如何使用 pd.read_html() 高效地抓取排名数据。
立即学习“前端免费学习笔记（深入）”；
步骤一：导入 Pandas 库
首先，确保您的环境中安装了 Pandas 库。如果尚未安装，可以通过 pip install pandas 命令进行安装。然后，在您的 Python 脚本中导入它：
import pandas as pd
步骤二：指定目标 URL
定义您希望抓取数据的网页链接。
url = "https://www.ncaa.com/rankings/soccer-women/d1/ncaa-womens-soccer-rpi"
步骤三：使用 read_html 抓取表格
调用 pd.read_html() 函数，传入目标 URL。该函数会返回一个包含页面上所有表格的 DataFrame 列表。通常，我们感兴趣的表格是列表中的第一个元素（索引为 0）。
# read_html 返回一个DataFrame列表，通常第一个元素就是我们需要的表格 dfs = pd.read_html(url) df = dfs[0]
步骤四：查看并保存数据
现在，df 变量中存储的就是从网页表格中提取出的结构化数据。您可以打印 df 来查看其内容，也可以将其保存为 CSV 文件，以便后续分析。
# 打印 DataFrame 的前几行以进行检查
print(df.head())
# 将 DataFrame 保存为 CSV 文件
df.to_csv("ncaa_womens_soccer_rpi.csv", index=False) # index=False 避免将 DataFrame 索引写入 CSV
print("\n数据已成功抓取并保存到 ncaa_womens_soccer_rpi.csv")完整示例代码：
import pandas as pd
# 目标网页 URL
url = "https://www.ncaa.com/rankings/soccer-women/d1/ncaa-womens-soccer-rpi"
# 使用 pandas.read_html 抓取网页中的所有表格
# 它返回一个DataFrame列表，通常我们需要的表格是第一个
dfs = pd.read_html(url)
df = dfs[0] # 选择第一个表格
# 打印 DataFrame 的前几行，进行初步检查
print("抓取到的数据预览：")
print(df.head())
# 将 DataFrame 保存为 CSV 文件
# index=False 避免将 DataFrame 的索引作为一列写入 CSV
df.to_csv("ncaa_womens_soccer_rpi.csv", index=False, encoding='utf-8')
print("\n数据已成功抓取并保存到 ncaa_womens_soccer_rpi.csv")运行上述代码，您将在控制台看到抓取到的数据预览，并且在当前目录下会生成一个名为 ncaa_womens_soccer_rpi.csv 的文件，其中包含了完整的 NCAA 女子足球 RPI 排名数据。
pd.read_html() 的优势与注意事项
优势：
- 简洁高效： 仅需几行代码即可完成复杂的表格解析任务。
- 直接生成 DataFrame： 无需手动构建数据结构，直接获得易于操作和分析的 DataFrame 对象。
- 自动化程度高： 自动处理 HTML 表格的标签结构，包括 <thead>、<tbody>、<th>、<tr> 和 <td>。
- 支持多种输入： 除了 URL，还可以接受本地 HTML 文件路径或 HTML 字符串。
注意事项：
- 动态加载内容： pd.read_html() 适用于内容在页面加载时就已经存在的静态 HTML 表格。如果网页数据是通过 JavaScript 动态加载的（例如，在页面加载完成后才通过 AJAX 请求获取数据并渲染），read_html() 可能无法获取到这些数据。对于这类情况，您可能需要使用更高级的工具，如 Selenium 或 Playwright，它们可以模拟浏览器行为，等待 JavaScript 执行完毕后再获取页面内容。
- 多个表格： 如前所述，read_html() 返回一个 DataFrame 列表。您需要根据页面的结构和您的需求，选择正确的表格（例如 dfs[0]、dfs[1] 等）。有时可能需要检查每个 DataFrame 的内容来确定哪一个是目标表格。
- 解析失败： 并非所有网页表格都能被完美解析。如果表格结构非常复杂、非标准，或者包含合并单元格等特殊情况，read_html() 可能会出现解析错误或结果不尽如人意。在这种情况下，结合 BeautifulSoup 进行更精细的定位和提取可能是必要的。
- 网络请求错误： read_html() 在内部会发起 HTTP 请求。如果 URL 无效、网络连接问题或目标网站拒绝访问（例如，设置了反爬虫机制），可能会抛出 URLError 或 HTTPError。建议加入错误处理机制。
总结
pandas.read_html() 是 Python 数据科学工具箱中一个被低估但极其强大的功能，它为从网页抓取 HTML 表格数据提供了一个优雅且高效的解决方案。通过掌握这个函数，您可以大幅提高数据获取的效率，将更多精力投入到数据分析和洞察中。然而，对于动态加载内容或结构异常复杂的表格，了解其局限性并结合其他网页抓取工具（如 Beautiful Soup 或 Selenium）将使您的爬虫技能更加全面。
