Pandas pd.read_html() 函数给了我“HTTP 错误 403:禁止”

Posted

技术标签:

【中文标题】Pandas pd.read_html() 函数给了我“HTTP 错误 403:禁止”【英文标题】:Pandas pd.read_html() Function Gives me 'HTTP Error 403: Forbidden' 【发布时间】:2020-07-23 18:59:55 【问题描述】:

我一直在使用 pandas 抓取数据表。使用 pd.read_html() 非常简单,但是我尝试使用的其中一个 url 不起作用。这是我的代码:

import pandas as pd
import requests

base_site = 'https://stats.ncaa.org/team/376/stats/15061'

r = requests.get(base_site)
r.status_code

tables = pd.read_html(base_site)

我导入 requests 来检查状态码,输出 200 很好。

这是 pd.read_html() 的输出:

---------------------------------------------------------------------------
HTTPError                                 Traceback (most recent call last)
<ipython-input-4-398e418f089e> in <module>()
----> 1 tables = pd.read_html(base_site, attrs = 'class' : 'dataTable', 'id' : 'statgrid')

11 frames
/usr/lib/python3.6/urllib/request.py in http_error_default(self, req, fp, code, msg, hdrs)
    648 class HTTPDefaultErrorHandler(BaseHandler):
    649     def http_error_default(self, req, fp, code, msg, hdrs):
--> 650         raise HTTPError(req.full_url, code, msg, hdrs, fp)
    651 
    652 class HTTPRedirectHandler(BaseHandler):

HTTPError: HTTP Error 403: Forbidden

我在查看 html 后尝试添加参数以使调用更具体,但收到相同的错误无济于事。

tables = pd.read_html(base_site, attrs = 'class' : 'dataTable', 'id' : 'statgrid')

我是否遗漏了一些明显的东西?其他网站会向我指定的表对象返回一个列表,但我不知道为什么这不适用于我真正想要从中获取数据的网站。

【问题讨论】:

【参考方案1】:

您可能想查看 bs4 或 selenium 以进行网络抓取。

对于你的问题,尝试替换

pd.read_html(base_site)

pd.read_html(r.text)

【讨论】:

这行得通。太感谢了。我已经开始深入研究 BeautifulSoup,但我现在想要的大部分数据都是表格格式,而 pandas 让这变得非常容易。不过,肯定会尝试更多地了解 bs4。

以上是关于Pandas pd.read_html() 函数给了我“HTTP 错误 403:禁止”的主要内容,如果未能解决你的问题,请参考以下文章

pd.read_html导入长字符串而不是表

使用 pandas 读取下载的 html 文件

pd.read_html() 导入列表而不是数据框

Python 读取HTML表格 pd.read_html()

有没有办法通过熊猫读取BeautifulSoup输出以读取表?

另类爬取表格数据