雖然它低調(diào)，但功能非常強大，用于抓取Table表格型數(shù)據(jù)時，簡直是個神器。下面來詳細介紹一下。

大家逛網(wǎng)頁時，經(jīng)常會看到這樣一些數(shù)據(jù)表格，比如：

電影票房數(shù)據(jù)

世界大學(xué)排行榜數(shù)據(jù)

財經(jīng)數(shù)據(jù)

如果查看一下網(wǎng)頁的HTML結(jié)構(gòu)（Chrome瀏覽器F12），會發(fā)現(xiàn)它們有個共同的特點，不僅是表格，還是以Table結(jié)構(gòu)展示的表格數(shù)據(jù)，大致的網(wǎng)頁結(jié)構(gòu)如下

針對網(wǎng)頁結(jié)構(gòu)類似的表格類型數(shù)據(jù)，pd.read_html()就派上了大用場了，它可以將網(wǎng)頁上的表格都抓取下來，并以DataFrame的形式裝在一個列表中返回。具體是這么個流程：

先介紹一下read_html的一些主要的參數(shù)

read_html

• io ：str or file-like

  接收網(wǎng)址、文件、字符串。網(wǎng)址不接受https，嘗試去掉s后爬去

• header：int or list-like or None

  指定列標題所在的行

• attrs : dict or None, optional

  傳遞一個字典，用其中的屬性篩選出特定的表格

• parse_dates：bool

  解析日期

接下來以爬取新浪財經(jīng)的基金重倉股為例演示一下，URL為：http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p=1

這部分有6頁，點擊不同的頁數(shù)可以發(fā)現(xiàn)，請求URL主要是p參數(shù)在變動，p=n代表了第n頁，所以一個for循環(huán)就可以遍歷所有網(wǎng)址啦。URL的變動規(guī)律了解之后，就可以愉快的爬數(shù)據(jù)了，上代碼

import pandas as pd
df = pd.DataFrame()
for i in range(6):
    url = 'http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p={page}'.format(page=i+1)
    df = pd.concat([df,pd.read_html(url)[0]])
    print('第{page}頁完成~'.format(page=i+1))
df.to_csv('./data.csv', encoding='utf-8', index=0)

整個過程不需要用到正則表達式或者xpath等工具，短短的幾行代碼就可以將數(shù)據(jù)嗖嗖地爬下來了，是不是超級無敵方便？趕緊動手操作一波吧！

日后在爬一些小型數(shù)據(jù)時，只要遇到這種Table類型的表格，就可以直接祭出read_html這個神器啦，別人還在琢磨正則、xpath怎么寫的時候，你已經(jīng)把數(shù)據(jù)爬完了，想想就很舒服！

Python中文社區(qū)作為一個去中心化的全球技術(shù)社區(qū)，以成為全球20萬Python中文開發(fā)者的精神部落為愿景，目前覆蓋各大主流媒體和協(xié)作平臺，與阿里、騰訊、百度、微軟、亞馬遜、開源中國、CSDN等業(yè)界知名公司和技術(shù)社區(qū)建立了廣泛的聯(lián)系，擁有來自十多個國家和地區(qū)數(shù)萬名登記會員，會員來自以工信部、清華大學(xué)、北京大學(xué)、北京郵電大學(xué)、中國人民銀行、中科院、中金、華為、BAT、谷歌、微軟等為代表的政府機關(guān)、科研單位、金融機構(gòu)以及海內(nèi)外知名公司，全平臺近20萬開發(fā)者關(guān)注。