我觉得从 html 表中提取数据非常困难,需要为每个站点自定义构建。我非常希望在这里被证明是错误的。
是否有一种简单的 pythonic 方法可以通过仅使用感兴趣的表的 url 和 xpath 从网站中提取字符串和数字?
例子:
url_str = 'http://www.fdmbenzinpriser.dk/searchprices/5/'
xpath_str = //*[@id="sortabletable"]
我曾经有一个脚本可以从这个站点获取数据。但是丢了。我记得我正在使用标签 '' 和一些字符串逻辑......不是很漂亮
我知道像 thingspeak 这样的网站可以做这些事情..
最佳答案
有一个相当通用的模式,您可以使用它来解析许多,但不是 所有,表格。
import lxml.html as LH
import requests
import pandas as pd
def text(elt):
return elt.text_content().replace(u'\xa0', u' ')
url = 'http://www.fdmbenzinpriser.dk/searchprices/5/'
r = requests.get(url)
root = LH.fromstring(r.content)
for table in root.xpath('//table[@id="sortabletable"]'):
header = [text(th) for th in table.xpath('//th')] # 1
data = [[text(td) for td in tr.xpath('td')]
for tr in table.xpath('//tr')] # 2
data = [row for row in data if len(row)==len(header)] # 3
data = pd.DataFrame(data, columns=header) # 4
print(data)
- 您可以使用
table.xpath('//th')
查找列名。 table.xpath('//tr')
返回行,对于每一行,tr.xpath('td')
返回表示表格的一个“单元格”的元素。- 有时您可能需要过滤掉某些行,例如在本例中,行 值少于 header 。
- 您如何处理数据(列表的列表)由您决定。这里我只用 Pandas 做演示:
Pris Adresse Tidspunkt
0 8.04 Brovejen 18 5500 Middelfart 3 min 38 sek
1 7.88 Hovedvejen 11 5500 Middelfart 4 min 52 sek
2 7.88 Assensvej 105 5500 Middelfart 5 min 56 sek
3 8.23 Ejby Industrivej 111 2600 Glostrup 6 min 28 sek
4 8.15 Park Alle 125 2605 Brøndby 25 min 21 sek
5 8.09 Sletvej 36 8310 Tranbjerg J 25 min 34 sek
6 8.24 Vindinggård Center 29 7100 Vejle 27 min 6 sek
7 7.99 * Søndergade 116 8620 Kjellerup 31 min 27 sek
8 7.99 * Gertrud Rasks Vej 1 9210 Aalborg SØ 31 min 27 sek
9 7.99 * Sorøvej 13 4200 Slagelse 31 min 27 sek
关于Python:通过xpath获取html表格数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/28305578/