如何下载html表格内容？

Posted 2023-03-11

【中文标题】如何下载html表格内容？

【英文标题】：How to download html table content?

【发布时间】：2019-12-18 07:54:35

【问题描述】：

我想从以下网站下载财务数据（“konsernregnskap”而不是“morregnskap”），但我不知道如何下载所有内容：https://www.proff.no/regnskap/yara-international-asa/oslo/hovedkontortjenester/IGB6AV410NZ/

尝试使用 xpath 定位表，但没有成功。

我想将所有内容下载到一张 Excel 表格中。

【问题讨论】：

您需要检查//div[@id="keyFigures_corporateAccounts"] 以获得您需要的数据。

寻求调试帮助时请附上您的代码

【参考方案1】：

您在类 table-wrap 中有 8 个表，前 4 个表属于“morregnskap”选项卡，接下来的 4 个表属于“konsernregnskap”选项卡，因此通过选择最后 4 个表，您可以从中选择所需的表开始抓取您的数据

import requests
import json
import bs4

url = 'https://www.proff.no/regnskap/yara-international-asa/oslo/hovedkontortjenester/IGB6AV410NZ/'


response = requests.get(url)
soup = bs4.BeautifulSoup(response.text, 'lxml')
tables = soup.find_all('div', 'table-wrap')


konsernregnskap_data = tables[5:]

【参考方案2】：

@rusu_ro1 给出的答案是正确的。但是，我认为Pandas 是在这里工作的正确工具。

您可以使用pandas.read_html 获取页面中的所有表格。然后使用 pandas.DataFrame.to_excel 仅将最后 4 个表写入 excel 工作簿。

以下脚本会抓取数据并将每个表写入不同的工作表。

import pandas as pd
all_tables = pd.read_html(
    "https://www.proff.no/regnskap/yara-international-asa/oslo/hovedkontortjenester/IGB6AV410NZ/"
)
with pd.ExcelWriter('output.xlsx') as writer:
    # Last 4 tables has the 'konsernregnskap' data
    for idx, df in enumerate(all_tables[4:8]):
        # Remove last column (empty)
        df = df.drop(df.columns[-1], axis=1)
        df.to_excel(writer, "Table ".format(idx))

注意事项：

您也可以write all the DataFrames to a single sheet。 确保已安装 lxml 库。 pip install lxml

flavor : str 或 None，字符串容器

要使用的解析引擎。 ‘bs4’ 和 ‘html5lib’ 是同义词 彼此，它们都是为了向后兼容而存在的。这 默认为 None 尝试使用 lxml 进行解析，如果失败则失败 回到 bs4 + html5lib。

来自HTML Table Parsing Gotchas

html5lib 从无效标记生成有效的 HTML5 标记 自动地。这对于解析 HTML 表格非常重要， 因为它保证了一个有效的文件。然而，这并不意味着 这是“正确的”，因为修复标记的过程没有 单一定义。

在您的特定情况下，它会删除第 5 个表（仅返回 7 个）。也许 b'coz 第 1 表和第 5 表的数据相同。