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)
到
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
Python 读取HTML表格 pd.read_html()