如何使用熊猫从文件中提取 html 表？

Posted 2023-03-12

【中文标题】如何使用熊猫从文件中提取 html 表？

【英文标题】：How to extract html tables from files, using pandas?

【发布时间】：2021-01-15 11:01:47

【问题描述】：

我是 pandas 的新手，我正在尝试从一些 html 文件中提取一些数据。

如何转换多个如下所示的 HTML 表格：

       PS4
Game Name | Price
GoW       | 49.99
FF VII R  | 59.99

       XBX
Game Name | Price
Gears 5   | 49.99
Forza 5   | 59.99

<table>
  <tr colspan="2">
    <td>PS4</td>
  </tr>
  <tr>
    <td>Game Name</td>
    <td>Price</td>
  </tr>
  <tr>
    <td>GoW</td>
    <td>49.99</td>
  </tr>
  <tr>
    <td>FF VII R</td>
    <td>59.99</td>
  </tr>
</table>

<table>
  <tr colspan="2">
    <td>XBX</td>
  </tr>
  <tr>
    <td>Game Name</td>
    <td>Price</td>
  </tr>
  <tr>
    <td>Gears 5</td>
    <td>49.99</td>
  </tr>
  <tr>
    <td>Forza 5</td>
    <td>59.99</td>
  </tr>
</table>

到这样的 json 对象中：

[
   "Game Name": "Gow", "Price": "49.99", "platform": "PS4",
   "Game Name": "FF VII R", "Price": "59.99", "platform": "PS4",
   "Game Name": "Gears 5", "Price": "49.99", "platform": "XBX",
   "Game Name": "Forza 5", "Price": "59.99", "platform": "XBX"
]

我尝试使用 pandas.read_html(path/to/file) 加载包含表格的 html 文件，它确实返回了一个 DataFrames 列表，但我不知道之后如何提取数据，尤其是平台名称在标题中，而不是单独的列。

我使用 pandas 是因为我从本地 htm 文件中提取这些表格，这些文件包含其他形式的表格和 HTML 代码，所以我使用：

tables = pandas.read_html(file_path, match="Game Name")

使用基于该列名称的匹配参数快速隔离我需要的表。

【参考方案1】：

import pandas as pd

# list to save all dataframe from all tables in all files
df_list = list()

# list of files to load
list_of_files = ['test.html']

# iterate through your files
for file in list_of_files:
    
    # create a list of dataframes from the tables in the file
    dfl = pd.read_html(file, match='Game Name')
    
    # fix the headers and columns
    for d in dfl:

        # select row 1 as the headers
        d.columns = d.iloc[1]

        # select row 0, column 0 as the platform
        d['platform'] = d.iloc[0, 0]

        # selection row 2 and below as the data, row 0 and 1 were the headers
        d = d.iloc[2:]

        # append the cleaned dataframe to df_list
        df_list.append(d.copy())
        
# create a single dataframe
df = pd.concat(df_list).reset_index(drop=True)

# create a list of dicts from df
records = df.to_dict('records')

print(records)
[out]:
['Game Name': 'GoW', 'Price': '49.99', 'platform': 'PS4',
 'Game Name': 'FF VII R', 'Price': '59.99', 'platform': 'PS4',
 'Game Name': 'Gears 5', 'Price': '49.99', 'platform': 'XBX',
 'Game Name': 'Forza 5', 'Price': '59.99', 'platform': 'XBX']

【讨论】：

感谢您的回答和代码中的 cmets，这对理解它有很大帮助。