Py学习  »  Python

Python抓取网页数据的终极办法 !

Python学习交流 • 5 年前 • 526 次点击  

假设你在网上搜索某个项目所需的原始数据,但坏消息是数据存在于网页中,并且没有可用于获取原始数据的API。


所以现在你必须浪费30分钟写脚本来获取数据(最后花费 2小时)。

这不难但是很浪费时间。


Pandas库有一种内置的方法,可以从名为read_html()的html页面中提取表格数据:

https://pandas.pydata.org/


import pandas as pd

tables = pd.read_html("https://apps.sandiego.gov/sdfiredispatch/")

print(tables[0])

就这么简单! Pandas可以在页面上找到所有重要的html表,并将它们作为一个新的DataFrame对象返回。

https://pandas.pydata.org/pandas-docs/stable/dsintro.html#dataframe

输入表格0行有列标题,并要求它将基于文本的日期转换为时间对象:


import pandas as pd

calls_df, = pd.read_html("http://apps.sandiego.gov/sdfiredispatch/", header=0, parse_dates=["Call Date"])

print(calls_df)

得到:


Call Date        Call Type              Street                             Cross Streets    Unit
  2017-06-02 17:27:58          Medical         HIGHLAND AV                 WIGHTMAN ST/UNIVERSITY AV     E17
  2017-06-02 17:27:58          Medical         HIGHLAND AV                 WIGHTMAN ST/UNIVERSITY AV     M34
  2017-06-02 17:23 :51          Medical          EMERSON ST                    LOCUST ST/EVERGREEN ST     E22
  2017-06-02 17:23:51          Medical          EMERSON ST                    LOCUST ST/EVERGREEN ST     M47
  2017-06-02 17:23:15          Medical         MARAUDER WY                     BARON LN/FROBISHER ST     E38
  2017-06-02 17:23:15          Medical         MARAUDER WY                     BARON LN/FROBISHER ST     M41

是一行代码,数据不能作为json记录可用。


import pandas as pd

calls_df, = pd.read_html("http://apps.sandiego.gov/sdfiredispatch/", header=0, parse_dates=["Call Date"])

print(calls_df.to_json(orient="records", date_format="iso"))

运行下面的代码你将得到一个漂亮的json输出(即使有适当的ISO 8601日期格式):


[
  {
    "Call Date""2017-06-02T17:34:00.000Z",
    "Call Type""Medical",
    "Street""ROSECRANS ST",
    "Cross Streets""HANCOCK ST/ALLEY",
    "Unit""M21"
  },
  {
    "Call Date""2017-06-02T17:34:00.000Z",
    "Call Type""Medical",
    "Street""ROSECRANS ST",
    "Cross Streets""HANCOCK ST/ALLEY",
    "Unit""T20"
  },
  {
    "Call Date""2017-06-02T17:30:34.000Z",
    "Call Type""Medical",
    "Street""SPORTS ARENA BL",
    "Cross Streets""CAM DEL RIO WEST/EAST DR",
    "Unit""E20"
  }
  // etc...
]

你甚至可以将数据保存到CSV或XLS文件中:


import pandas as pd

calls_df, = pd.read_html("http://apps.sandiego.gov/sdfiredispatch/", header=0, parse_dates=["Call Date"])

calls_df.to_csv("calls.csv", index=False)

运行并双击calls.csv在电子表格中打开:



当然,Pandas还可以更简单地对数据进行过滤,分类或处理:


>>> calls_df.describe()

              Call Date Call Type      Street           Cross Streets Unit
count                    69        69          69                      64   69
unique                   29         2          29                      27   60
top     2017-06-02 16:59:50   Medical  CHANNEL WY  LA SALLE ST/WESTERN ST   E1
freq                      5        66           5                       5    2
first   2017-06-02  16:36:46       NaN         NaN                     NaN  NaN
last    2017-06-02 17:41:30       NaN         NaN                     NaN  NaN

>>> calls_df.groupby("Call Type").count()

                      Call Date  Street  Cross Streets  Unit
Call Type
Medical                       66      66             61    66
Traffic Accident (L1)          3       3              3     3

>>> calls_df["Unit"].unique()

array(['E46''MR33''T40''E201''M6''E34''M34''E29''M30',
      'M43''M21''T20''E20''M20''E26''M32''SQ55''E1',
      'M26''BLS4''E17''E22''M47''E38''M41''E5''M19',
      'E28''M1''E42''M42''E23' 'MR9''PD''LCCNOT''M52',
      'E45''M12''E40''MR40''M45''T1''M23''E14''M2''E39',
      'M25''E8''M17''E4''M22''M37''E7''M31''E9''M39',
      'SQ56''E10''M44''M11'], dtype=object)



今天看啥 - 高品质阅读平台
本文地址:http://www.jintiankansha.me/t/nBKK94aZWp
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/28164
 
526 次点击