从<p>而不是<table>的html表中提取数据

时间:2019-12-10 14:33:58

标签: python pandas dataframe import html-parsing

我一直在使用pd.read_html尝试从url中提取数据,但是该数据列在

标记中,而不是。我可能在这里错过了一个简单的课程,但是我不确定使用什么函数来获得良好的结果(一个表),而不是我得到的长字符串。任何建议,将不胜感激! 我同时使用了这两种方法,并得到了相同的结果:

import requests import pandas as pd url ='http://www.linfo.org/acronym_list.html' dfs = pd.read_html(url, header =0) df = pd.concat(dfs) df

import pandas as pd
url ='http://www.linfo.org/acronym_list.html'
data = pd.read_html(url, header=0)
data[0]

出[1]:

ABCDEFGHIJKLMNOPQRSTUVWXYZ A AMD高级设备API应用程序编程接口ARP地址解析协议ARPANET高级研究计划局网络AS自治系统ASCII美国信息交换标准代码AT&T美国电话电报公司ATA先进技术附件ATM异步传输模式BB字节BELUG Bellevue Linux用户组BGP边界网关协议...

1 个答案:

答案 0 :(得分:0)

我正在使用BeautifulSoup解析每个标签p和br的html请求,最终结果是一个数据框...以后您可以将其导出到excel文件中...希望对您有所帮助

from bs4 import BeautifulSoup
import requests
import pandas as pd

result = requests.get('http://www.linfo.org/acronym_list.html')
c = result.content
soup = BeautifulSoup(c, "html.parser")
samples = soup.find_all("p")

rows_list = []

for row in samples:
    tagstrong = row.find_all("strong")
    for x in tagstrong:
        #print(x.get_text())
        tagbr = row.find_all("br")
        for y in tagbr:
            new_row = {'letter':x.get_text(), 'content':y.next}
            rows_list.append(new_row)

df1 = pd.DataFrame(rows_list)
print(df1.head(10))

这是结果:

enter image description here