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

Posted 2023-02-23

【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。

【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。