Làm cách nào để trích xuất văn bản từ bảng HTML trong Python?
Không biết điều này có đủ điều kiện là Pythonic hơn hay không, nhưng nó xử lý nó dưới dạng dữ liệu HTML Show
Và để lấy phần tử cuối cùng Đối với ví dụ đầu tiên, chúng tôi sẽ cố gắng phân tích bảng này từ phần Chính trị trên trang wiki Minnesota Cách sử dụng cơ bản của gấu trúc 1
0 khá đơn giản và hoạt động tốt trên nhiều trang Wikipedia vì các bảng không phức tạp. Để bắt đầu, tôi sẽ bao gồm một số lần nhập bổ sung mà chúng tôi sẽ sử dụng để làm sạch dữ liệu cho các ví dụ phức tạp hơnimport pandas as pd import numpy as np import matplotlib.pyplot as plt from unicodedata import normalize table_MN = pd.read_html('https://en.wikipedia.org/wiki/Minnesota') Điểm độc đáo ở đây là 1
1 là danh sách tất cả các bảng trên trangprint(f'Total tables: {len(table_MN)}') Total tables: 38
Với 38 bàn, có thể khó tìm được bàn bạn cần. Để chọn bảng dễ dàng hơn, hãy sử dụng tham số 1
2 để chọn một tập hợp con các bảng. Chúng ta có thể sử dụng chú thích “Kết quả bầu cử từ các cuộc tranh cử trên toàn tiểu bang” để chọn bảng________số 8 1
0YearOffice GOPDFL Others02018Governor42. 4%53. 9%3. 7%12018Thượng nghị sĩ36. 2%60. 3%3. 4%22018Thượng nghị sĩ42. 4%53. 0%4. 6%32016Chủ tịch44. 9%46. 4%8. 6%42014Governor44. 5%50. 1%5. 4% Pandas giúp dễ đọc trong bảng và cũng xử lý cột năm kéo dài nhiều hàng. Đây là một ví dụ cho thấy việc sử dụng gấu trúc dễ dàng hơn là cố gắng tự mình loại bỏ tất cả Nhìn chung, điều này có vẻ ổn cho đến khi chúng tôi xem xét các loại dữ liệu với 1
3 2Chúng tôi cần chuyển đổi GOP , DFL và . Nếu chúng tôi cố gắng 3Chúng tôi gặp lỗi 4Thủ phạm có khả năng nhất là 1
4. Chúng ta có thể loại bỏ nó bằng hàm pandas 1
5. Tôi đã đề cập đến điều này một số chi tiết trong một bài viết trước 7Cái nào có vẻ tốt print(f'Total tables: {len(table_MN)}')0 Xin lưu ý rằng tôi phải sử dụng tham số 1
6 để tham số này hoạt động vì 1
4 là một phần của chuỗi chứ không phải giá trị chuỗi đầy đủBây giờ, chúng ta có thể gọi thay thế tất cả các giá trị 1
4 và chuyển đổi thành số bằng cách sử dụng 1
9 và 00print(f'Total tables: {len(table_MN)}')1 print(f'Total tables: {len(table_MN)}')2 print(f'Total tables: {len(table_MN)}')3 YearOffice GOPDFL Others02018Governor42. 453. 93. 712018Thượng nghị sĩ36. 260. 33. 422018Thượng nghị sĩ42. 453. 04. 632016Chủ tịch44. 946. 48. 642014Governor44. 550. 15. 4 Quá trình cơ bản này hoạt động tốt. Ví dụ tiếp theo phức tạp hơn một chút Thêm dữ liệu nâng cao Dọn dẹpVí dụ trước cho thấy các khái niệm cơ bản. Thường xuyên làm sạch nhiều hơn là cần thiết. Đây là một ví dụ phức tạp hơn một chút. Ví dụ này tiếp tục sử dụng Wikipedia nhưng các khái niệm áp dụng cho bất kỳ trang web nào có dữ liệu trong bảng HTML . Điều gì sẽ xảy ra nếu chúng tôi muốn phân tích bảng Hoa Kỳ GDP bên dưới? Cái này khó sử dụng đối sánh hơn một chút để chỉ lấy một bảng nhưng đối sánh trên 'Danh nghĩa GDP ' nhận được bảng chúng tôi muốn . print(f'Total tables: {len(table_MN)}')4 print(f'Total tables: {len(table_MN)}')5 Không có gì ngạc nhiên khi chúng tôi có một số công việc dọn dẹp phải làm. Chúng tôi có thể cố gắng xóa 1
4 như chúng tôi đã làm lần trướcprint(f'Total tables: {len(table_MN)}')6 Rất tiếc, chúng tôi gặp lỗi này print(f'Total tables: {len(table_MN)}')7 Vấn đề ở đây là chúng tôi có một ký tự ẩn, 02 đang gây ra một số lỗi. Đây là “dấu cách Latin1 ( ISO 8859-1) không vi phạm”. Một tùy chọn mà tôi đã sử dụng là xóa trực tiếp giá trị bằng cách sử dụng 03. Nó hoạt động nhưng tôi lo lắng về việc liệu nó có bị phá vỡ với các ký tự khác trong tương lai hay khôngSau khi đi xuống hố thỏ unicode, tôi quyết định sử dụng 04 để xóa giá trị này. Tôi khuyến khích bạn đọc bài viết này để biết thêm chi tiết về lý do căn bản cho cách tiếp cận của tôiTôi cũng đã tìm thấy các vấn đề với khoảng trống thừa khi nhập dữ liệu trong một số bảng khác. Tôi đã tạo một chức năng nhỏ để xóa tất cả các giá trị văn bản. Tôi hy vọng những người khác sẽ thấy điều này hữu ích print(f'Total tables: {len(table_MN)}')8 Tôi có thể chạy chức năng này trên toàn bộ DataFrame bằng cách sử dụng 05print(f'Total tables: {len(table_MN)}')9 Hiệu suất 05Hãy thận trọng khi sử dụng 05 Chức năng này rất chậm nên bạn nên thận trọng khi sử dụng nóHàm 05 là một hàm gấu trúc rất kém hiệu quả. Bạn không nên sử dụng nó thường xuyên nhưng trong trường hợp này, DataFrame nhỏ và việc dọn dẹp như thế này rất khó nên tôi nghĩ đó là một sự đánh đổi hữu íchMột điều mà 05 bỏ lỡ là các cột. Hãy xem xét một cột chi tiết hơnTotal tables: 38
0Total tables: 38
1Chúng tôi có 20 đáng sợ đó trong tên cột. Có một số cách chúng ta có thể thực hiện để làm sạch các cột nhưng tôi sẽ sử dụng 21 trên các cột bằng cách chuyển đổi cột thành một chuỗi và sử dụng 22 để chạy hàm. Các phiên bản gấu trúc trong tương lai có thể làm điều này dễ dàng hơn một chútTotal tables: 38
2Total tables: 38
3Bây giờ chúng tôi đã xóa sạch một số ký tự ẩn. Tiếp theo là gì? Hãy thử lại print(f'Total tables: {len(table_MN)}')6 Total tables: 38
5cái này khó thật. Nếu quan sát thật kỹ, bạn có thể nhận ra rằng 23 trông hơi khác so với 24. Thật khó để thấy nhưng thực sự có một sự khác biệt giữa dấu gạch ngang unicode và dấu trừ. ừMay mắn thay, chúng ta cũng có thể sử dụng 03 để dọn sạch nóTotal tables: 38
6Total tables: 38
7Một cột khác mà chúng ta cần xem xét là cột 26. Đối với năm 2020, nó chứa “2020 (est)” mà chúng tôi muốn loại bỏ. Sau đó chuyển đổi cột thành int. Tôi có thể thêm vào từ điển nhưng phải thoát khỏi dấu ngoặc đơn vì chúng là các ký tự đặc biệt trong một biểu thức chính quyTotal tables: 38
8Total tables: 38
9Trước khi chúng tôi kết thúc và gán các giá trị này trở lại DataFrame của mình, có một mục khác cần thảo luận. Một số cột này phải là số nguyên và một số là số float. Nếu chúng tôi sử dụng 27, chúng tôi không có nhiều sự linh hoạt. Sử dụng 28, chúng tôi có thể kiểm soát loại số nhưng chúng tôi không muốn phải nhập thủ công loại này cho mỗi cộtHàm 28 có thể lấy từ điển tên cột và kiểu dữ liệu. Điều này thực sự hữu ích và tôi đã không biết điều này cho đến khi tôi viết bài báo này. Đây là cách chúng ta có thể xác định ánh xạ loại dữ liệu cộttable_MN = pd.read_html('https://en.wikipedia.org/wiki/Minnesota', match='Election results from statewide races') len(table_MN)0 Đây là một gợi ý nhanh. Gõ từ điển này chậm. Sử dụng phím tắt này để xây dựng từ điển các cột với giá trị mặc định là 30table_MN = pd.read_html('https://en.wikipedia.org/wiki/Minnesota', match='Election results from statewide races') len(table_MN)1 table_MN = pd.read_html('https://en.wikipedia.org/wiki/Minnesota', match='Election results from statewide races') len(table_MN)2 Tôi cũng đã tạo một từ điển có các giá trị để thay thế table_MN = pd.read_html('https://en.wikipedia.org/wiki/Minnesota', match='Election results from statewide races') len(table_MN)3 Bây giờ chúng tôi có thể gọi thay thế trên DataFrame này, chuyển đổi sang loại mong muốn và nhận các giá trị số rõ ràng của chúng tôi table_MN = pd.read_html('https://en.wikipedia.org/wiki/Minnesota', match='Election results from statewide races') len(table_MN)4 table_MN = pd.read_html('https://en.wikipedia.org/wiki/Minnesota', match='Election results from statewide races') len(table_MN)5 Hiện tại trông như thế này Năm Danh nghĩa GDP (tỷ. Mỹ -Đô la Mỹ) GDP bình quân đầu người (năm US-Dollar)GDP growth(real)Inflation rate(in percent)Unemployment (in percent)Budget balance(in % of GDP)[107]Government debt held by public(in % of GDP)[108]Current account balance(in % of GDP)0202020234.057589-5.90.6211.1NaN79.9NaN1201921439.0646742.21.803.5-4.678.9-2.52201820580.2628693.02.403.9-3.877.8-2.43201719519.4600002.32.104.4-3.476.1-2.34201618715.0578781.71.304.9-3.176.4-2.3 Để chứng minh rằng nó hoạt động, chúng tôi cũng có thể vẽ biểu đồ dữ liệu table_MN = pd.read_html('https://en.wikipedia.org/wiki/Minnesota', match='Election results from statewide races') len(table_MN)6 Nếu bạn đang theo dõi sát sao, bạn có thể nhận thấy việc sử dụng lệnh gọi 03 bị xiềng xíchtable_MN = pd.read_html('https://en.wikipedia.org/wiki/Minnesota', match='Election results from statewide races') len(table_MN)7 Lý do tôi đưa nó vào đó là vì tôi không thể tìm ra cách làm sạch 32 bằng từ điển đầu tiên 03. Tôi nghĩ rằng vấn đề là tôi không thể dự đoán thứ tự xóa dữ liệu này nên tôi quyết định thực hiện thay thế theo hai giai đoạn
Làm cách nào để trích xuất dữ liệu từ bảng HTML trong Python?Để trích xuất một bảng từ HTML, trước tiên bạn cần mở các công cụ dành cho nhà phát triển của mình để xem HTML trông như thế nào và xác minh xem đó có thực sự là một bảng chứ không phải một phần tử nào khác không. Bạn mở công cụ dành cho nhà phát triển bằng phím F12, xem tab “Thành phần” và đánh dấu thành phần bạn quan tâm .
Làm cách nào để lấy dữ liệu từ bảng HTML?Bộ sưu tập ô bảng . Tìm xem có bao nhiêu ô ở hàng đầu tiên trong một bảng. getElementById("myTable"). . [index] Cảnh báo InternalHTML của ô đầu tiên trong hàng đầu tiên của bảng. . item(index) Thông báo InternalHTML của ô đầu tiên trong hàng đầu tiên của bảng. . tênItem(id). Thay đổi nội dung ô đầu tiên của bảng Làm cách nào để sử dụng trình quét bảng HTML?Trình quét bảng HTML là một Tiện ích mở rộng đơn giản cho phép bạn nhấp chuột phải vào bất kỳ bảng HTML nào và chọn sao chép dữ liệu trong bảng đó vào Bảng tạm hoặc Lưu vào tệp trong . Giữ CTRL Xuống trong khi Nhấp chuột phải sẽ tự động Sao chép Bảng vào Bảng tạm mà không chọn tùy chọn menu ngữ cảnh. . Holding CTRL Down while Right Click will automatically Copy Table to Clipboard without selecting the context menu option. |